In che modo l'intelligenza artificiale può rendere i data center più efficienti e decarbonizzarli

Si ritiene che i data center e altre operazioni di cloud computing costituiscano fino all’1% del consumo energetico globale. Il carbonio speso per gestire queste enormi server farm – e soprattutto per raffreddarle – è tutt’altro che insignificante. Si ritiene che circa il 50% del consumo di elettricità sia correlato ai costi operativi di base e fino al 40% sia attribuibile ai costi di raffreddamento.

I data center sono alla ricerca di soluzioni in alto e in basso, dallo sfruttamento di più energie rinnovabili al gettare i data center in fondo al mare per risparmiare sui costi di raffreddamento.

Alcune delle soluzioni più parsimoniose e pratiche prevedono l’implementazione dell’intelligenza artificiale per individuare e correggere le inefficienze. Un rapporto di Gartner stima che l’intelligenza artificiale sarà operativa nella metà di tutti i data center nei prossimi due anni. Un rapporto del 2019 di IDC suggerisce che ciò potrebbe essere già accaduto. Si prevede che i carichi di lavoro aumenteranno del 20% su base annua, quindi questo è un problema urgente.

Ian Clatworthy, direttore del marketing dei prodotti per piattaforme dati presso Hitachi Vantara, ed Eric Swartz, vicepresidente dell'ingegneria per DataBank, parlano delle possibilità e dei limiti delle soluzioni IA nei data center.

Per creare e calibrare utili strumenti di intelligenza artificiale, i data center devono raccogliere e inserire i dati corretti. Ciò si è rivelato impegnativo perché alcuni tipi di dati che non sono stati storicamente utili nelle operazioni quotidiane sono stati semplicemente ignorati. Alcuni potrebbero essere raccolti ma inutilizzati. E una parte non viene raccolta affatto, il che significa che gli operatori devono iniziare da zero o estrapolare dai dati esistenti.

I dati hardware necessari includono: lo spazio di archiviazione disponibile, la facilità di accesso, il numero di macchine in funzione in un dato momento e le macchine a cui è diretto il traffico in una determinata circostanza. Fondamentali sono anche i dati relativi all’energia spesa per l’alimentazione delle macchine e per il raffreddamento, così come i dati relativi alle condizioni ambientali all’interno e all’esterno del centro.

“Per poter costruire un adeguato sistema di intelligenza artificiale per l’apprendimento automatico, avresti bisogno di tutto ciò per raggiungere davvero l’efficienza. Tutto ciò conta”, afferma Swartz. "Ognuno di questi dati può distorcere l'altro."

L’intelligenza artificiale può infatti essere utile in primo luogo per raccogliere queste informazioni. Il data mining può estrarre dati utili sepolti in statistiche apparentemente non correlate se seguite le istruzioni corrette. Quando i dati corretti vengono ordinati, secondo Clatworthy, possono “presentare effettivamente le informazioni in un modo che significa qualcosa”.

Il consumo di energia da parte dei server è l’obiettivo principale dell’intervento dell’intelligenza artificiale. I server che non vengono utilizzati vengono lasciati in funzione e il traffico in entrata viene distribuito in modo inefficiente tra le apparecchiature disponibili. I motori di controllo della pianificazione possono utilizzare il deep learning per indirizzare il traffico in modo appropriato. Può essere distribuito tra le macchine disponibili in modo da sfruttare in modo ottimale le loro capacità senza sovraccaricarle.

E poi le macchine inutilizzate possono essere spente finché non sono necessarie. Meglio ancora, afferma Clatworthy, “possiamo abbassare il consumo della CPU. Abbassando le cose, usi meno energia. Anche accendere e spegnere le macchine, sostiene, è inefficiente.

È possibile anticipare i modelli di traffico, consentendo così un utilizzo più parsimonioso delle apparecchiature. L'efficacia dell'utilizzo dell'energia (PUE) risulta quindi migliorata. L’intelligenza artificiale può aiutare a ridimensionare questi processi con l’aumento dei carichi di lavoro.

Ulteriori efficienze possono essere create dalla manutenzione predittiva. “Comprendendo i dati storici sui problemi dei componenti o sui programmi di manutenzione e collegandoli alle allocazioni di budget, le organizzazioni possono utilizzare l’intelligenza artificiale per fornire modelli predittivi”, afferma Clatworthy.

Sfruttando i dati per accertare quando è probabile che si verifichino interruzioni, è possibile stabilire più facilmente backup appropriati. Anche l'applicazione di patch e l'aggiornamento, che sono onerosi e ad alta intensità di manodopera, possono essere automatizzati in una certa misura. Inoltre, le macchine guaste possono essere sostituite o riparate prima che causino interruzioni del servizio.

Anche la gestione delle stesse fonti di energia può trarre vantaggio dall’intelligenza artificiale. Determinando quando le fonti rinnovabili sono più disponibili – giornate ventose per l’energia eolica, giornate soleggiate per l’energia solare – i data center possono individuare quando attingere da queste fonti e quando ricorrere a fonti di elettricità meno desiderabili derivate da combustibili fossili. Il calore di scarto può essere reindirizzato e utilizzato all’interno del centro stesso o dalle strutture circostanti.