در بهار امسال ، مرکز داده های سراسری ST Telemedia آزمایشی را راه اندازی کرد تا ببیند آیا یک سیستم مبتنی بر هوش مصنوعی می تواند مصرف انرژی سیستم خنک کننده را در یکی از مراکز داده سنگاپور با مدیریت کارآمدتر از مهندسان امکانات انسانی کاهش دهد یا خیر.
Daniel Pointon ، CTO STT ، اخیراً به DCK گفت ، و خلبان قبلاً نتایج اولیه امیدوارکننده ای را ارائه کرده است. بر اساس مدل سازی اولیه ، سیستم خنک کننده حدود 10 درصد انرژی کمتری نسبت به قبل مصرف می کند.
پوینتون گفت: “با توجه به این که ما از مشتریان نمی خواهیم سرورها را ببندند یا از برق کمتری استفاده کنند ، این بسیار قابل توجه است.” “ما فقط همان کار را با کارآیی بیشتر انجام می دهیم.”
اگر مقیاس STT و پتانسیل صرفه جویی در انرژی را در نظر بگیرید ، اگر راه حلی مشابه در کل مجموعه آن به کار گرفته شود ، بسیار مهم تر می شود. ارائه دهنده مجموعه ای مستقر در سنگاپور می گوید که 130 مرکز داده را در آسیا و انگلستان اداره می کند.
آزمایشی برای آزمایش پتانسیل هوش مصنوعی در مدیریت سرمایش مرکز داده بخشی از تعهد گسترده تر STT برای کاهش ردپای کربن کلی آن و خنثی شدن کربن تا سال 2030 است. توسط بزرگترین مشتریان آنها که متعهد به کاهش کربن از خود بوده اند ، تا حد قابل توجهی تحت فشار قرار گرفت. خود ، بیشتر و بیشتر ارائه دهندگان مرکز داده تخصصی گام های جسورانه تری نسبت به گذشته در جهت ردپای کربن خود برداشته اند.
هوش مصنوعی می تواند مصرف انرژی خنک کننده مرکز داده را کاهش دهد
روزهای اولیه برای هوش مصنوعی در مدیریت مرکز داده است. تعداد کمی آن را امتحان کرده اند ، اما مشهورترین مثال استفاده گوگل از الگوریتم های هوش مصنوعی است که توسط زیرمجموعه DeepMind خود برای مدیریت سیستم های خنک کننده در تجهیزات محاسباتی فوق مقیاس خود استفاده شده است. یکی از مدیران گوگل در سال 2018 به ما گفت که این روش منجر به کاهش 30 درصدی مصرف انرژی توسط سیستم های خنک کننده مرکز داده شد.
خنک کننده فقط شروع آزمایش ST Telemedia با هوش مصنوعی است. پوینتون انتظار دارد که شرکت در آینده از هوش مصنوعی برای نگهداری پیش بینی ، مدیریت ظرفیت ، تجزیه و تحلیل امنیت و خودکارسازی فرایندهای تجاری استفاده کند.
STT غول اتوماسیون صنعتی سوئیس را برای هدایت خلبان در سنگاپور در مدت 12 ماه استخدام کرد. پوینتون گفت ، در مرحله اول آزمایشی ، ABB در حال جمع آوری داده ها ، ساخت مدل هوش مصنوعی و توسعه منطق کنترل است.
ارائه دهنده محل قبلاً هزاران سنسور اندازه گیری جنبه های مختلف سیستم های خنک کننده خود ، از جمله دما ، رطوبت و جریان هوا را در مراکز داده خود – در جلوی قفسه ها ، در لوله کشی و روی پشت بام نصب کرده است. همچنین حسگرهایی وجود دارد که میزان مصرف انرژی توسط هر یک از اجزای سیستم خنک کننده را اندازه گیری می کنند.
وی گفت: “همه این سنسورها فرصتی عالی به ما می دهند تا واقعاً از قدرت هوش مصنوعی استفاده کنیم و از تمام این اطلاعات به طور معنی داری استفاده کنیم و به ما در تصمیم گیری های عملیاتی در مورد نحوه عملکرد تجهیزات مختلف برای نتایج مطلوب کمک کنیم.”
هنوز مدیریت خنک کننده را به AI واگذار نکرده اید
تجزیه و تحلیل اپراتورها را قادر می سازد تا نقاط تنظیم شده سیستم های کنترل مرکز داده را تغییر دهند.
پوینتون توضیح داد: “به عنوان مثال ، می تواند در سرعت کارکردن پمپ ها و مقدار آبی که ما به اطراف فشار می دهیم ، یا تعدیل جزئی در سرعت فن در برج های خنک کننده یا داخل واحدهای CRAC ما ، تعدیل جزئی انجام دهد.” این ترکیبات تعدیل تعدیلات کوچک در یک سیستم بزرگ و ایجاد این تغییرات به صورت پویا در زمان واقعی بر اساس تغییر شرایط [can] پس انداز را باز کنید. “
در مرحله دوم آزمایشی ABB مدل AI را در مرکز داده سنگاپور اجرا می کند. STT اجازه نمی دهد سیستم به طور خودکار نقاط تنظیم شده را تنظیم کند. پوینتون گفت ، مدیران مرکز داده پیشنهادات هوش مصنوعی را تجزیه و تحلیل کرده و به صورت دستی تغییرات را در خلبان انجام می دهند.
او گفت: “ما نمی خواهیم آن را فوراً از دست بدهیم و تمام اعتقاد خود را برای این کار داریم که این خلبان می تواند تجارت ما را برای ما اداره کند.” “ما به پیشنهادات کنترلی که هوش مصنوعی ارائه می دهد ، نگاه می کنیم و سپس یک عدسی انسانی را روی آن قرار می دهیم تا ببیند [whether it] منطقی است ، یا این باعث می شود که اهداف دیگرمان مانند قابلیت اطمینان را پیش ببریم؟ و سپس [we will] برو برخی از آن پیشنهادات مهم تر را اجرا کن. “
در صورت موفقیت آمیز بودن آزمایشی ، گام بعدی استقرار فناوری هوش مصنوعی در مراکز داده STT است که در چین ، هند ، انگلستان ، سنگاپور ، اندونزی ، تایلند و کره جنوبی واقع شده است. پوینتون گفت ، با گذشت زمان هوش مصنوعی می تواند بیشتر در عملیات مرکز داده ادغام شود و از پیشنهادات ساده به اجرای خودکار سیستم ها برسد.
در حال حاضر ، او نمی خواهد از خودش جلو بیفتد و می خواهد ابتدا نتایج خلبان را ببیند.
“علاوه بر نگاه به جنبه انرژی ، ما باید از این خلبان برای قضاوت کردن استفاده کنیم [such as]، این برای قابلیت اطمینان ، هزینه ها و سطح خدمات ما برای مشتریان به چه معناست. من نمی خواهم در مورد نتیجه پیش داوری کنم. ما قصد داریم این خلبان را به پایان برسانیم. اما واقعاً مثبت به نظر می رسد. ”