Como a IA pode tornar os data centers mais eficientes e descarbonizar

Acredita-se agora que os data centers e outras operações de computação em nuvem constituem até 1% do uso global de energia. O carbono gasto na gestão destes enormes conjuntos de servidores – e especialmente, no seu arrefecimento – está longe de ser insignificante. Estima-se que cerca de 50% do consumo de electricidade esteja relacionado com custos operacionais básicos e até 40% seja atribuível a custos de arrefecimento.

Os data centers estão em busca de soluções em todos os lugares, desde o aproveitamento de mais energia renovável até a instalação de data centers no fundo do mar, a fim de economizar nos custos de resfriamento.

Algumas das soluções mais parcimoniosas e práticas envolvem a implementação de inteligência artificial para localizar e corrigir ineficiências. Um relatório do Gartner estima que a IA estará operacional em metade de todos os data centers nos próximos dois anos. Um relatório de 2019 da IDC sugere que isso já pode ter acontecido. As cargas de trabalho deverão aumentar 20% ano após ano, portanto este é um problema urgente.

Ian Clatworthy, diretor de marketing de produtos de plataforma de dados da Hitachi Vantara, e Eric Swartz, vice-presidente de engenharia do DataBank, falam sobre as possibilidades e limitações das soluções de IA em data centers.

Para criar e calibrar instrumentos úteis de IA, os data centers devem coletar e inserir os dados adequados. Isto revelou-se um desafio porque certos tipos de dados que não têm sido historicamente úteis nas operações quotidianas foram simplesmente ignorados. Alguns podem ser coletados, mas não utilizados. E alguns nem sequer são recolhidos, o que significa que os operadores têm de começar do zero ou extrapolar a partir dos dados existentes.

Os dados de hardware necessários incluem: o armazenamento disponível, a facilidade de acesso, o número de máquinas em execução em um determinado momento e as máquinas para as quais o tráfego é direcionado em qualquer circunstância. Os dados relativos à energia gasta na alimentação de máquinas e no arrefecimento também são essenciais, tal como os dados relacionados sobre as condições ambientais dentro e fora do centro.

“Para ser capaz de construir um sistema adequado de IA de aprendizado de máquina, você precisaria de tudo isso para realmente aumentar a eficiência. Tudo isso importa”, diz Swartz. “Cada um desses pontos de dados pode distorcer o outro.”

A IA pode, de facto, ser útil na recolha destas informações. A mineração de dados pode extrair dados úteis enterrados em estatísticas aparentemente não relacionadas, dadas as instruções corretas. Quando os dados adequados são organizados, de acordo com Clatworthy, eles podem “realmente apresentar informações de uma forma que signifique alguma coisa”.

O uso de energia pelos servidores é o principal alvo da intervenção da IA. Os servidores que não estão em uso ficam em execução e o tráfego de entrada é distribuído de maneira ineficiente pelos equipamentos disponíveis. Os mecanismos de controle de agendamento podem usar aprendizado profundo para direcionar o tráfego de maneira adequada. Ele pode ser distribuído pelas máquinas disponíveis de uma maneira que faça uso otimizado de suas capacidades, mas sem sobrecarregá-las.

E então as máquinas não utilizadas podem ser desligadas até serem necessárias. Melhor ainda, diz Clatworthy, “Podemos desligar a CPU. Ao recusar as coisas, você usa menos energia.” Ligar e desligar máquinas, ele argumenta, também é ineficiente.

Os padrões de tráfego podem ser antecipados, permitindo assim uma utilização mais económica dos equipamentos. A eficácia do uso de energia (PUE) é assim melhorada. A IA pode ajudar a dimensionar esses processos à medida que as cargas de trabalho aumentam.

Outras eficiências podem ser criadas pela manutenção preditiva. “Ao compreender os dados históricos sobre problemas de componentes ou cronogramas de manutenção e vincular isso às alocações orçamentárias, as organizações podem usar a IA para fornecer modelos preditivos”, diz Clatworthy.

Ao aproveitar os dados para determinar quando é provável que ocorram interrupções, os backups apropriados podem ser estabelecidos com mais facilidade. Patches e atualizações, que são onerosos e exigem muita mão-de-obra, também podem ser automatizados até certo ponto. E as máquinas avariadas podem ser substituídas ou reparadas antes que causem interrupções no serviço.

O gerenciamento das próprias fontes de energia também pode se beneficiar da IA. Ao determinar quando as fontes renováveis ​​estão mais disponíveis – dias de vento para a energia eólica, dias ensolarados para a energia solar – os centros de dados podem identificar quando extraem destas fontes e quando recorrem a fontes menos desejáveis ​​de eletricidade derivada de combustíveis fósseis. O calor residual pode ser redirecionado e utilizado dentro do próprio centro ou nas instalações vizinhas.