בינה מלאכותית המיושמת בקירור מרכזי נתונים מייצגת את אחת החידושים המשמעותיים ביותר באופטימיזציית אנרגיה תעשייתית.
המערכת האוטונומית שפותחה על ידי גוגל דיפמיינד, הפועלת מאז 2018, הדגימה כיצד בינה מלאכותית יכולה לשנות את ניהול התרמי של תשתיות קריטיות, ולהשיג תוצאות קונקרטיות מבחינת יעילות תפעולית.
מרכזי נתונים מודרניים הם צרכני אנרגיה עצומים, כאשר קירור מהווה כ-10% מסך צריכת החשמל, לדברי ג'ונתן קומי, מומחה עולמי ליעילות אנרגטית. כל חמש דקות, מערכת הבינה המלאכותית מבוססת הענן של גוגל מצלמת תמונת מצב של מערכת הקירור מאלפי חיישנים, ומנתחת את המורכבות התפעולית שמאתגרת שיטות בקרה מסורתיות.
מערכת הקירור הבינה המלאכותית של גוגל משתמשת ברשתות עצביות עמוקות כדי לחזות את ההשפעה של שילובים שונים של פעולות על צריכת אנרגיה עתידית, תוך זיהוי אילו פעולות ימזערו את הצריכה תוך עמידה באילוצי בטיחות מחמירים . בינה מלאכותית של DeepMind מפחיתה את חשבון הקירור של מרכז הנתונים של גוגל ב-40% - גוגל DeepMind .
התוצאות שהושגו באופטימיזציה של הקירור הן משמעותיות: המערכת הצליחה להשיג באופן עקבי הפחתה של 40% באנרגיה המשמשת לקירור . עם זאת, בהתחשב בכך שקירור מייצג כ-10% מהצריכה הכוללת, זה מתורגם לחיסכון כולל של כ-4% באנרגיה עבור מרכז הנתונים.
על פי המאמר הטכני המקורי של ג'ים גאו , רשת הנוירונים משיגה שגיאה מוחלטת ממוצעת של 0.004 וסטיית תקן של 0.005, שווה ערך לשגיאה של 0.4% עבור PUE של 1.1.
יישום מערכת הבינה המלאכותית אושר רשמית בשלושה מרכזי נתונים ספציפיים :
סינגפור : הפריסה המשמעותית הראשונה בשנת 2016, שבה מרכז הנתונים משתמש במים ממוחזרים לקירור והדגים הפחתה של 40% באנרגיית הקירור.
אימסהאפן, הולנד : מרכז הנתונים משתמש במים ברמה תעשייתית וצרך 232 מיליון גלונים של מים בשנת 2023. מרקו אינמה, מנהל האתר של המתקן , מפקח על התפעול במתקן המתקדם הזה.
קאונסיל בלאפס, איווה : MIT Technology Review הציג במיוחד את מרכז הנתונים של קאונסיל בלאפס במהלך דיון על מערכת הבינה המלאכותית. גוגל השקיעה 5 מיליארד דולר בשני הקמפוסים שלה בקאונסיל בלאפס, אשר צפויים לצרוך 980.1 מיליון גלונים של מים בשנת 2023.
מערכת בקרה מבוססת ענן מבוססת בינה מלאכותית פועלת כעת ומספקת חיסכון באנרגיה במרכזי נתונים מרובים של גוגל, אך החברה לא פרסמה רשימה מלאה של מתקנים המשתמשים בטכנולוגיה.
על פי הפטנט US20180204116A1 , המערכת משתמשת בארכיטקטורת למידה עמוקה עם מאפיינים טכניים מדויקים:
הארכיטקטורה משתמשת בבקרת מודלים ניבוייים (Model Predictive Control) עם מודלים ליניאריים של ARX (Arx) המשולבים ברשתות עצביות עמוקות. רשתות עצביות אינן דורשות מהמשתמש להגדיר מראש אינטראקציות בין משתנים במודל. במקום זאת, הרשת העצבית מחפשת דפוסים ואינטראקציות בין מאפיינים כדי ליצור מודל אופטימלי באופן אוטומטי.
PUE מייצג את יעילות האנרגיה הבסיסית של מרכזי נתונים:
PUE = סך אנרגיה למרכז נתונים / אנרגיה לציוד IT
גוגל מוסמכת לתקן ISO 50001 לניהול אנרגיה, מה שמבטיח סטנדרטים תפעוליים מחמירים אך אינו מאמת באופן ספציפי את ביצועי מערכת הבינה המלאכותית.
בלב החידוש נמצאת בקרה חיזויה שחוזה את הטמפרטורה והלחץ העתידיים של מרכז הנתונים בשעה הקרובה, תוך סימולציה של פעולות מומלצות כדי להבטיח שלא ייחרגו ממגבלות התפעול.
לאחר ניסוי וטעייה, המודלים מדויקים כעת ב-99.6% בחיזוי PUE . דיוק זה מאפשר אופטימיזציות שאינן אפשריות בשיטות מסורתיות, ובמקביל ניהול האינטראקציות הלא ליניאריות המורכבות בין מערכות מכניות, חשמליות וסביבתיות.
היבט משמעותי הוא היכולת ללמוד באופן אבולוציוני . במהלך תשעה חודשים, ביצועי המערכת גדלו משיפור של 12% בהשקה הראשונית לכ-30%.
דן פואנפינגר, מפעיל גוגל, ציין: "זה היה מדהים לראות את הבינה המלאכותית לומדת לנצל את תנאי החורף ולייצר מים קרים מהרגיל. הכללים לא משתפרים עם הזמן, אבל הבינה המלאכותית כן."
המערכת מנהלת בו זמנית 19 פרמטרים תפעוליים קריטיים :
בטיחות תפעולית מובטחת באמצעות מנגנונים יתירים . הפעולות האופטימליות המחושבות על ידי הבינה המלאכותית מאומתות מול רשימה פנימית של אילוצי בטיחות המוגדרים על ידי המפעילים. לאחר שליחתן למרכז הנתונים הפיזי, מערכת הבקרה המקומית מאמתת מחדש את ההוראות. הבינה המלאכותית של DeepMind מפחיתה את האנרגיה המשמשת לקירור מרכזי הנתונים של גוגל ב-40% .
מפעילים תמיד נשארים בשליטה ויכולים לצאת ממצב בינה מלאכותית בכל עת, ולעבור בצורה חלקה לכללים המסורתיים.
התעשייה מכירה במגבלות של יעילות צריכת החשמל כמדד. סקר של מכון Uptime משנת 2014 מצא כי 75% מהמשתתפים האמינו שהתעשייה זקוקה למדד יעילות חדש. הבעיות כוללות הטיה אקלימית (אי אפשר להשוות בין אקלים שונים), מניפולציה בזמן (מדידות בתנאים אופטימליים) והדרת רכיבים.
לכל מרכז נתונים יש ארכיטקטורה וסביבה ייחודיות. מודל מותאם אישית למערכת אחת לא בהכרח ישים למערכת אחרת, מה שידרוש מסגרת בינה כללית.
דיוק המודל תלוי באיכות ובכמות נתוני הקלט . שגיאת המודל בדרך כלל עולה עבור ערכי PUE מעל 1.14 עקב מחסור בנתוני אימון תואמים.
לא נמצאו אימותים עצמאיים של חברות ביקורת גדולות או מעבדות לאומיות, כאשר גוגל "לא מבצעת אימות של צד שלישי" מעבר לדרישות הפדרליות המינימליות.
בשנים 2024-2025, גוגל העבירה את הדגש באופן דרמטי לכיוון:
שינוי זה מצביע על כך שאופטימיזציה של בינה מלאכותית הגיעה לגבולות המעשיים עבור עומסים תרמיים של יישומי בינה מלאכותית מודרניים .
אופטימיזציה של בינה מלאכותית לקירור כוללת יישומים נרחבים מעבר למרכזי נתונים:
חיסכון באנרגיה במערכות קירור מתבטא ב:
שלב 1 - הערכה : ביקורת אנרגיה ומיפוי של מערכות קיימות שלב 2 - פיילוט : בדיקה בסביבה מבוקרת על מקטע מוגבל שלב 3 - פריסה : פריסה הדרגתית עם ניטור אינטנסיבי שלב 4 - אופטימיזציה : כוונון מתמשך והרחבת קיבולת
שלושה מרכזי נתונים אושרו רשמית: סינגפור (פריסה ראשונה 2016), אימסהייבן בהולנד וקאונסיל בלאפס באיווה. המערכת פועלת במספר מרכזי נתונים של גוגל, אך הרשימה המלאה מעולם לא נחשפה לציבור.
המערכת משיגה הפחתה של 40% בצריכת האנרגיה לקירור. בהתחשב בכך שהקירור מהווה כ-10% מהצריכה הכוללת, החיסכון הכולל באנרגיה הוא כ-4% מהצריכה הכוללת של מרכז הנתונים.
המערכת משיגה דיוק של 99.6% בחיזוי PUE עם שגיאה מוחלטת ממוצעת של 0.004 ± 0.005, שווה ערך לשגיאה של 0.4% עבור PUE של 1.1 . אם ה-PUE בפועל הוא 1.1, הבינה המלאכותית מנבאת בין 1.096 ל-1.104.
היא משתמשת באימות דו-שלבי: ראשית, הבינה המלאכותית בודקת את אילוצי הבטיחות שהוגדרו על ידי המפעילים, לאחר מכן המערכת המקומית מאמתת מחדש את ההוראות. מפעילים יכולים תמיד להשבית את בדיקת הבינה המלאכותית ולחזור למערכות המסורתיות.
הטמעה אורכת בדרך כלל 6-18 חודשים: 3-6 חודשים לאיסוף נתונים ואימון מודלים, 2-4 חודשים לבדיקות פיילוט, ו-3-8 חודשים לפריסה הדרגתית. המורכבות משתנה באופן משמעותי בהתאם לתשתית הקיימת.
נדרש צוות רב-תחומי בעל מומחיות במדעי הנתונים/בינה מלאכותית, הנדסת מיזוג אוויר, ניהול מתקנים, אבטחת סייבר ואינטגרציה של מערכות. חברות רבות בוחרות בשותפויות עם ספקים מיוחדים.
כן, בינה מלאכותית לומדת אוטומטית לנצל תנאים עונתיים, כמו ייצור מים קרים יותר בחורף כדי להפחית את אנרגיית הקירור. המערכת משתפרת ללא הרף על ידי זיהוי דפוסים זמניים ואקלימיים .
לכל מרכז נתונים יש ארכיטקטורה וסביבה ייחודיות, הדורשות התאמה אישית משמעותית. מורכבות היישום, הצורך בנתונים ספציפיים והמומחיות הנדרשת מקשים על שיווק ישיר. לאחר שמונה שנים, טכנולוגיה זו נותרה פנימית בלעדית של גוגל.
לא נמצאו אימותים עצמאיים של חברות ביקורת גדולות (דלויט, PwC, KPMG) או מעבדות לאומיות. גוגל מוסמכת לתקן ISO 50001 אך "אינה מבצעת אימותים של צד שלישי" מעבר לדרישות הפדרליות המינימליות.
בהחלט. אופטימיזציה של בינה מלאכותית לקירור ניתנת ליישום במפעלים תעשייתיים, מרכזי קניות, בתי חולים, משרדי תאגידים וכל מתקן עם מערכות HVAC מורכבות. עקרונות האופטימיזציה הרב-משתנית והבקרה החיזויה ניתנים ליישום באופן אוניברסלי.
מערכת הקירור של גוגל DeepMind מבוססת בינה מלאכותית מייצגת פריצת דרך הנדסית המשיגה שיפורים הדרגתיים בתחום ספציפי. עבור חברות המפעילות תשתית עתירת אנרגיה, טכנולוגיה זו מציעה הזדמנויות קונקרטיות לאופטימיזציה של קירור, למרות מגבלות קנה המידה המפורטות לעיל.
מקורות עיקריים: מאמר מחקר של ג'ים גאו בגוגל , הבלוג הרשמי של DeepMind , סקירת טכנולוגיה של MIT , פטנט US20180204116A1
.svg)
.svg)
.svg)
