Cómo la IA puede hacer que los centros de datos sean más eficientes y descarbonizados

Actualmente se cree que los centros de datos y otras operaciones de computación en la nube constituyen hasta el 1% del uso mundial de energía. El carbono gastado en el funcionamiento de estas enormes granjas de servidores (y especialmente en su refrigeración) está lejos de ser insignificante. Se cree que alrededor del 50% del uso de electricidad se relaciona con costos operativos básicos y hasta el 40% es atribuible a costos de refrigeración.

Los centros de datos están buscando soluciones por todas partes, desde aprovechar más energía renovable hasta colocar centros de datos bajo el mar para ahorrar en costos de refrigeración.

Algunas de las soluciones más parsimoniosas y prácticas implican la implementación de inteligencia artificial para localizar y corregir ineficiencias. Un informe de Gartner estima que la IA estará operativa en la mitad de todos los centros de datos en los próximos dos años. Un informe de 2019 de IDC sugiere que es posible que eso ya haya sucedido. Se prevé que la carga de trabajo aumente un 20% año tras año, por lo que se trata de un problema urgente.

Ian Clatworthy, director de marketing de productos de plataforma de datos de Hitachi Vantara, y Eric Swartz, vicepresidente de ingeniería de DataBank, hablan sobre las posibilidades y limitaciones de las soluciones de IA en los centros de datos.

Para crear y calibrar instrumentos de IA útiles, los centros de datos deben recopilar e ingresar los datos adecuados. Esto ha resultado un desafío porque ciertos tipos de datos que históricamente no han sido útiles en las operaciones diarias simplemente se han ignorado. Es posible que algunos estén recolectados pero sin usar. Y parte no se recopila en absoluto, lo que significa que los operadores tienen que empezar desde cero o extrapolar a partir de datos existentes.

Los datos de hardware necesarios incluyen: el almacenamiento disponible, la facilidad de acceso, la cantidad de máquinas en funcionamiento en un momento dado y las máquinas a las que se dirige el tráfico en cualquier circunstancia determinada. También son esenciales los datos relacionados con la energía gastada en alimentar las máquinas y la refrigeración, así como los datos relacionados con las condiciones ambientales dentro y fuera del centro.

“Para poder construir un sistema de inteligencia artificial de aprendizaje automático adecuado, se necesitaría todo eso para realmente aumentar la eficiencia. Todo eso importa”, dice Swartz. "Cada uno de esos puntos de datos puede sesgar al otro".

De hecho, la IA puede ser útil para recopilar esta información en primer lugar. La minería de datos puede extraer datos útiles enterrados en estadísticas aparentemente no relacionadas, si se les dan las instrucciones correctas. Cuando se organizan los datos adecuados, según Clatworthy, pueden "realmente presentar información de una manera que signifique algo".

El uso de energía por parte de los servidores es el objetivo principal de la intervención de la IA. Los servidores que no están en uso se dejan en funcionamiento y el tráfico entrante se distribuye de manera ineficiente entre los equipos disponibles. Los motores de control de programación pueden utilizar el aprendizaje profundo para dirigir el tráfico de forma adecuada. Se puede distribuir entre las máquinas disponibles de manera que se haga un uso óptimo de sus capacidades pero sin sobrecargarlas.

Y luego las máquinas no utilizadas se pueden apagar hasta que sean necesarias. Mejor aún, dice Clatworthy, “podemos bajar la CPU. Al rechazar las cosas, se utiliza menos energía”. Encender y apagar las máquinas, razona, también es ineficiente.

Se pueden anticipar los patrones de tráfico, lo que permite un uso más frugal de los equipos. De este modo se mejora la eficacia del uso de energía (PUE). La IA puede ayudar a ampliar estos procesos a medida que aumentan las cargas de trabajo.

Se pueden crear mayores eficiencias mediante el mantenimiento predictivo. "Al comprender los datos históricos sobre problemas de componentes o programas de mantenimiento y vincularlos a las asignaciones presupuestarias, las organizaciones pueden utilizar la IA para proporcionar modelos predictivos", afirma Clatworthy.

Al aprovechar los datos para determinar cuándo es probable que se produzcan interrupciones, se pueden establecer copias de seguridad adecuadas más fácilmente. La aplicación de parches y actualizaciones, que son onerosas y requieren mucha mano de obra, también pueden automatizarse hasta cierto punto. Y las máquinas defectuosas se pueden reemplazar o reparar antes de que provoquen interrupciones en el servicio.

La gestión de las propias fuentes de energía también puede beneficiarse de la IA. Al determinar cuándo las fuentes renovables están más disponibles (días ventosos para la energía eólica, días soleados para la solar), los centros de datos pueden centrarse en cuándo recurren a estas fuentes y cuándo recurren a fuentes menos deseables de electricidad derivadas de combustibles fósiles. El calor residual puede redirigirse y aprovecharse dentro del propio centro o en las instalaciones circundantes.

“No se puede recurrir siempre a energías renovables”, afirma Swartz. "Al utilizar la IA para determinar cuándo es el mejor momento para usarla, se obtiene lo mejor de ambos mundos".

También hay ahorros de costos. "Incluso el 1% [del uso de energía] puede significar cientos de miles de dólares en energía", añade. "Sería muy beneficioso ajustarlo al parámetro operativo más eficiente".

Los sistemas de refrigeración son otro objetivo de los programas de eficiencia de la IA. Al igual que el poder, en el pasado han sido constantes. Es decir, no se ajustaron según parámetros cambiantes, sino que funcionaron a ritmos constantes determinados por estimaciones vagas de las necesidades.

La refrigeración es muy cara (tanto desde el punto de vista financiero como en términos de emisiones de carbono) e incluso pequeños ajustes en los sistemas de refrigeración pueden suponer ahorros sustanciales. La gestión térmica debe tener en cuenta factores como la temperatura ambiente, el clima, el calor generado por las máquinas activas en un momento dado, los materiales con los que está construido el edificio y los sistemas HVAC actuales.

La IA puede dirigir las actividades de enfriamiento a los sistemas que lo necesitan (hasta bastidores específicos de máquinas) y apagarlas en áreas que no lo necesitan. Incluso puede tener en cuenta el tiempo de retraso, anticipando cuándo se volverá a encender ciertos sectores y dirigiendo el enfriamiento a ellos con anticipación.

La creación de un gemelo digital o una representación virtual del entorno físico de un centro de datos puede ayudar a modelar cómo interactúan sus diversos componentes sin correr el riesgo de interrumpir el sistema en sí. Al ingresar datos sobre energía, temperatura, demandas de tráfico y clima, entre otros factores, los arquitectos de IA pueden idear condiciones óptimas para los centros de datos, al menos en teoría.

"Podemos simular diferentes configuraciones de refrigeración", ofrece Clatworthy como ejemplo. "Ya sea en Singapur, en Melbourne, en Europa, bajo la lluvia, podemos identificar los diseños de enfriamiento más eficientes según la ubicación del equipo".

Los datos faltantes (y siempre los hay) distorsionarán, por supuesto, estos modelos digitales. Pero incluso una cantidad razonable de datos históricos puede crear modelos realistas de cómo operan y utilizan realmente la energía los centros de datos.

Sin embargo, los gemelos digitales no son autosostenibles. Requieren ajuste por parte de observadores humanos, quienes pueden señalar parámetros que exceden lo que podría ser posible en el mundo físico. Así, los modelos se van perfeccionando con el tiempo.

La escasez de datos representa el desafío más desconcertante para la implementación de la IA en los centros de datos. Si bien algunos datos se recopilan para otros fines y, por lo tanto, están listos para ingresar a los sistemas de IA, algunos datos que son esenciales para optimizar el rendimiento de la IA han estado hasta ahora a la deriva en el éter digital. Algunos pueden recolectarse retroactivamente de otras fuentes. Pero otros tipos requieren nuevas metodologías, lo que significa que no existe ningún registro histórico. Los centros de datos deben comenzar desde el punto de partida.

Por ejemplo, los centros de datos tienen a su disposición el consumo de energía especificado por el fabricante de una máquina lista para usar. Pero es posible que el consumo de energía de las máquinas a medida que envejecen y su rendimiento se deteriora no se pueda recopilar y, por lo tanto, no está disponible para su incorporación a las soluciones de IA. El conocimiento profundo de las capacidades y vulnerabilidades de cada equipo en uso es imperativo y, a menudo, difícil de obtener.

Como señala Swartz, los centros de datos multiinquilino enfrentan otro nivel de dificultad a la hora de recopilar datos, ya que deben respetar los acuerdos de privacidad con sus clientes. "Tenemos diferentes tipos de clientes con diferentes necesidades y diferentes niveles de riesgo", imparte. "Cuando intentas acomodar todo eso, normalmente no puedes ser tú quien vive al límite".

La IA también requiere sistemas y equipos nuevos y complejos para respaldar su implementación: el llamado impuesto a la IA. No es barato al principio, pero los ahorros de costos en el futuro parecen ser confiables. Aún así, poner el sistema en funcionamiento no es una tarea fácil: los datos deben recopilarse, procesarse, ingresarse y luego volverse a analizar.

Garantizar que los centros de datos puedan comunicarse entre sí de forma sostenible es otro desafío. "Estamos estudiando cómo utilizar el software de IA para mover datos desde los centros de datos sin ningún impacto para el cliente", afirma Clatworthy. Esto presenta numerosos obstáculos cuando se tienen en cuenta las energías renovables. “El sol se está poniendo aquí. Esto significa que no vamos a utilizar energías renovables para mover este conjunto de datos”.

Incluso a medida que su sofisticación crece y toman esas decisiones, los sistemas de inteligencia artificial todavía no son rival para el razonamiento humano en algunas situaciones.

"La IA aún no tiene la capacidad de tomar decisiones estratégicas complejas de manera oportuna", observa Clatworthy. “Quiero que me diga cuál será mi capacidad a largo plazo, que me diga qué es necesario mejorar. Voy a centrar a mi equipo en anomalías imprevistas”.

A medida que la IA se vuelve cada vez más integral para las operaciones de los centros de datos, sus administradores humanos tendrán que ajustar sus responsabilidades en consecuencia.

¿Qué son las emisiones de alcance 3 y cómo pueden abordarlas los centros de datos?

Aplicación de ML/AI a estrategias de sostenibilidad

Formas de hacer más viable la sostenibilidad mediante el crowdsourcing