MIT: AI ma ograniczyć środowiskowy koszt centrów danych

Nowo otenurowana profesor z MIT, Christina Delimitrou, wykorzystuje uczenie maszynowe, by uczynić gigantyczne centra danych bardziej energetycznie efektywnymi — informuje MIT News. Globalny boom budowy energożernych centrów danych obciąża sieci elektryczne i zwiększa zależność od paliw kopalnych. Delimitrou, która niedawno otrzymała tenure na MIT, odpowiada na to wyzwanie, przebudowując sposób działania serwerów i sprzętu sieciowego wewnątrz tych obiektów.

Kluczowe wnioski

• Christina Delimitrou, KDD Career Development Associate Professor na Wydziale Elektrotechniki i Informatyki (EECS) MIT i członkini CSAIL, stosuje uczenie maszynowe do zwiększenia efektywności, bezpieczeństwa i niezawodności dużych systemów chmurowych.
• Jej badania pokazują, że duże systemy komputerowe bywają wykorzystywane w zaledwie około 15 procent swojej pojemności, mimo że logicznie powinny działać blisko 100 procent — co oznacza ogromne marnotrawstwo energii.
• Zespół Delimitrou przebudowuje przestarzałe systemy chmurowe, zarządza współdzielonymi zasobami sprzętowymi i tworzy uproszczone architektury serwerów, by wydobyć więcej mocy obliczeniowej z istniejącego sprzętu.
• Naukowczyni wykorzystuje AI również do wykrywania i naprawiania błędów w aplikacjach chmurowych (np. streaming muzyki, wideokonferencje), co ogranicza przestoje zużywające energię.
• Jednym z kluczowych wyzwań jest brak interpretowalności narzędzi AI stosowanych w tych systemach — dlatego zespół pracuje nad dodaniem do nich mechanizmów wyjaściwości (explainability).

Problem marnotrawionej mocy obliczeniowej

Jak wyjaśnia Delimitrou, nieefektywne wykorzystanie centrów danych przekłada się bezpośrednio na nadmierne zużycie energii.

„Jeśli centra danych nie są wykorzystywane zgodnie z pełnymi możliwościami, będą spalać znacznie więcej energii, niż potrzeba, żeby zaspokoić rosnący popyt użytkowników” — mówi Delimitrou. „Istnieje duży 'bloating', zwłaszcza po stronie oprogramowania tych systemów. Jeśli zdołamy usunąć ten balast bez utraty wydajności, nie będziemy musieli budować tak wielu nowych centrów danych”.

Ta obserwacja ma fundamentalne znaczenie dla dyskusji o centrach danych i ich wpływie na środowisko — skala niewykorzystanego potencjału sprzętu pokazuje, że rozwiązanie problemu energetycznego AI nie musi oznaczać wyłącznie budowy nowej infrastruktury, ale może polegać na lepszym zarządzaniu tą, która już istnieje.

Delimitrou podkreśla również, że usprawnienia mają korzyści dla końcowych użytkowników. „Zarządzając zasobami w chmurze bardziej efektywnie, użytkownik końcowy uzyskuje bardziej przewidywalną wydajność aplikacji działającej na jego smartfonie” — dodaje badaczka.

Jednym z istotnych ograniczeń w stosowaniu AI do tych systemów jest brak interpretowalności modeli. „Jednym z wyzwań związanych z zastosowaniem AI w tych systemach jest to, że AI nie jest interpretowalna” — mówi Delimitrou. „Wiele pracy, którą teraz wykonujemy, polega na dodawaniu wyjaściwości do tych narzędzi AI, aby ludzie mogli otrzymywać z systemu użyteczną informację zwrotną”.

Droga od greckiej geometrii do Stanfordu

Delimitrou wyrosła w średniej wielkości mieście na rozległych równinach północnej Grecji. Jej wczesne zainteresowanie matematyką i nauką zostało w części zainspirowane starożytną historią jej kraju, gdzie ponad 2000 lat temu Euklides i Pitagoras badali problemy matematyczne.

„W Grecji istnieje długa tradycja geometrii” — mówi.

Inspirację naukową wyniosła także z domu — matka pracowała jako inżynier chemik, ojciec jako farmaceut, oboje wspierali naturalną ciekawość córki. Wczesna skłonność do matematyki doprowadziła Delimitrou do studiów na kierunku inżynieria komputerowa w Narodowym Uniwersytecie Technicznym w Atenach, choć początkowo niewiele wiedziała o tej dziedzinie. Szybko skłoniła się jednak w stronę kursów skupionych na zastosowaniach inżynierskich.

W pracy dyplomowej — projekcie realizowanym przez wszystkich studentów w piątym, ostatnim roku studiów — badała zarządzanie zasobami komputera przy jednoczesnym działaniu wielu aplikacji. „Wiele wyzwań, którymi się wtedy zajmowałam, stałoby się znacznie trudniejszych, gdyby zamiast jednego systemu mieć 100 tysięcy takich systemów. To był problem, który wzbudził moje zainteresowanie” — wspomina.

Chcąc mieć większy wpływ jako badaczka, Delimitrou podjęła studia doktoranckie na Uniwersytecie Stanforda. Zaczęła wtedy zajmować się nieefektywnością systemów chmurowych i wielkoskalowych centrów danych — w tamtym czasie szybko rozwijającym się obszarem badań.

Pracując wraz ze swoim mentorem naukowym Christosem Kozyrakisem, profesorem inżynierii na stanowisku Leonard Bosack and Sandy K. Lerner Professor of Engineering, Delimitrou odkryła, że wiele dużych systemów komputerowych jest niedostatecznie wykorzystywanych.

„Można by się spodziewać, biorąc pod uwagę całe zapotrzebowanie na te systemy, że będą działać blisko 100 procent pojemności. Okazało się jednak, że większość działała na poziomie tylko około 15 procent pojemności” — mówi. „To nie jest wydajny zasobowo czy zrównoważony sposób skalowania tych systemów”.

Od badań do zastosowań AI

Właśnie ta obserwacja — że systemy chmurowe na świecie potrafią wykorzystywać zaledwie ułamek swojej mocy — stała się punktem wyjścia dla późniejszych prac Delimitrou nad zastosowaniem AI do podniesienia wykorzystania zasobów bliżej 100 procent. Jej zespół na MIT kontynuuje tę pracę, łącząc badania nad efektywnością sprzętową z rozwojem bardziej przejrzystych i interpretowalnych narzędzi uczenia maszynowego.

Na MIT Delimitrou ceni sobie również rolę dydaktyczną. „Chcę, żeby studenci nauczyli się, jak myśleć i uczyć się samodzielnie” — mówi.

Podsumowanie

Praca Christiny Delimitrou pokazuje, że walka ze środowiskowym kosztem rozwoju AI i chmury obliczeniowej nie musi oznaczać wyłącznie ograniczania wzrostu — może polegać na inteligentniejszym wykorzystaniu istniejącego sprzętu dzięki uczeniu maszynowemu, co bezpośrednio przekłada się na mniejsze zużycie energii i niższą presję na budowę kolejnych centrów danych.