Centrum danych sterowane przez sztuczną inteligencję (AI) redukuje koszty i zwiększa efektywność, ale tylko wtedy, gdy system jest dostosowany do obciążeń, które obsługuje. To jest prosta odpowiedź. Oszczędności wynikają z wykorzystania AI do zarządzania zasilaniem, chłodzeniem, harmonogramowaniem i użytkowaniem sprzętu przy mniejszej ilości strat.
Wciąż wracam do jednego faktu: centrum danych wydaje dużo pieniędzy na rzeczy, które nie wykonują głównej pracy. Dystrybucja energii, chłodzenie, zapasowa moc i operacje ręczne dodają do kosztów. AI pomaga, obserwując obiekt w czasie rzeczywistym i dostosowując ustawienia szybciej niż zespół ludzki mógłby zrobić to ręcznie.
Chmuro-opierane usługi zarządzanych centrów danych dobrze wpisują się w ten schemat. W tym modelu dostawca zarządza dużą częścią warstwy fizycznej i kontrolnej. Zarządza serwerami, zasilaniem, chłodzeniem, siecią i narzędziami wsparcia. AI następnie działa jako warstwa kontrolna nad tym wszystkim. Szuka zmian obciążenia, gorących punktów, bezczynnych maszyn i słabej cyrkulacji powietrza. Może przenosić zadania, zmieniać zachowanie układu chłodzącego i utrzymywać maszyny bliżej ich użytecznego zakresu.
Ma to znaczenie, ponieważ obciążenia generowane przez AI są trudne dla infrastruktury. Mogą szybko zwiększyć zużycie energii. Szybko też generują ciepło. Ciepło z kolei napędza wyższe koszty chłodzenia, a koszty te nie są małe. W wielu nowoczesnych obiektach chłodzenie jest jednym z największych wydatków niezwiązanych z obliczeniami. Gdy system może zmniejszyć marnotrawstwo chłodzenia lub poprawić użycie energii, oszczędności są realne.
Kluczowym punktem nie jest to, że AI czyni centra danych magicznymi. Sprawia, że są bardziej precyzyjne. Dobrze zarządzany obiekt może umieszczać zadania na właściwej maszynie we właściwym czasie. Może unikać działania sprzętu przy niskim obciążeniu, gdy zapotrzebowanie jest małe. Może również wykrywać wzorce, których może nie zauważyć system oparty na sztywnych regułach. Może to zmniejszyć straty energii i ograniczyć potrzebę nadmiernego marginesu bezpieczeństwa.
Myślę, że najlepszym sposobem na zobaczenie tego jest przeanalizowanie trzech powszechnych zastosowań.
Po pierwsze, AI może pomóc w chłodzeniu. Może odczytywać dane z czujników i zmieniać prędkość wentylatorów, chillerów oraz przepływ chłodzenia cieczowego w oparciu o aktualne ciepło, a nie przybliżoną ocenę. Jest to użyteczne, ponieważ zbyt silne chłodzenie marnuje pieniądze, a zbyt słabe naraża na awarie. Zadaniem jest pozostanie blisko krawędzi, bez jej przekraczania.
Po drugie, AI może poprawić planowanie mocy. Może przewidywać, kiedy zapotrzebowanie wzrośnie, a kiedy spadnie. Pozwala to operatorom lepiej rozkładać obciążenie między szafy i obiekty. Może również pomóc w znalezieniu łańcuchów zasilania, które marnują energię lub działają zbyt blisko limitów.
Po trzecie, AI może zmniejszyć pracę operacyjną. Usługi zarządzane często generują wiele alertów. Wiele z nich jest hałaśliwych. AI może grupować powiązane alerty, wskazywać prawdziwy problem i zmniejszać liczbę zgłoszeń. To oszczędza czas personelowi i skraca pętlę reakcji. Mniej ręcznej kwalifikacji oznacza niższe koszty operacyjne.
Istnieje również aspekt sprzętowy tej kwestii. Centra danych skupione na AI często korzystają z nowszych rozwiązań chłodzących i gęstszych szaf. Niektóre stosują chłodzenie cieczowe, ponieważ samo chłodzenie powietrzem jest mniej wydajne przy bardzo wysokich obciążeniach cieplnych. Może to zmniejszyć straty energii, ale podnosi również złożoność projektowania i naprawy. Koszt się przesuwa, nie znika.
To właśnie tutaj objawia się szczery limit. Sterowanie oparte na AI jest tak dobre, jak dane, które otrzymuje. Złe czujniki, złe etykiety lub nieaktualne reguły mogą pogorszyć działanie systemu. Model może również dążyć do krótkoterminowych oszczędności, pomijając ryzyko. Jeśli zaoszczędzi energię, pakując ciepło zbyt ciasno, obiekt może stać się mniej stabilny. Jeśli zareaguje zbyt ostro, może stworzyć chaos zamiast porządku.
Kolejnym limitem jest to, że cięcia kosztów nie przychodzą za darmo. Nadal potrzebujesz dobrej telemetrii, dobrego oprogramowania kontrolnego i ludzi, którzy wiedzą, kiedy zaufać modelowi. Praca początkowa może być duża. Integracja często jest najtrudniejszą częścią. Stare centra danych ze słabą instrumentacją nie stają się „inteligentne” dzięki nadziejom.
Tak więc czysta odpowiedź na pytanie czytelnika brzmi tak: chmuro-opierane usługi zarządzanych centrów danych wykorzystują AI do redukcji strat w zasilaniu, chłodzeniu i operacjach, co może obniżyć koszty przy jednoczesnym wzroście efektywności. Największe zyski pochodzą z lepszej kontroli, a nie z marketingowego huku. Słaby punkt nadal pozostaje ten sam, który widzę w wielu systemach AI: wynik zależy od jakości danych, projektu obiektu i zabezpieczeń wokół modelu.
Oto rodzaj praktycznej historii o AI, którą chcę, aby The Model Log kontynuowało opowiadać: jedna użyteczna koncepcja, jeden działający przykład i jeden szczery spojrzenie na to, co naprawdę działa.
