MIT исследует ИИ для повышения эффективности дата-центров

Доцент MIT Кристина Делимитру и её группа применяют машинное обучение, чтобы сделать крупные дата-центры эффективнее, безопаснее и надёжнее. Исследовательница отмечает, что в изученных ею крупных вычислительных системах загрузка часто составляла лишь около 15% доступной мощности, хотя спрос на вычисления продолжает расти.

Работа ведётся в Массачусетском технологическом институте, где Делимитру состоит в Department of Electrical Engineering and Computer Science и Computer Science and Artificial Intelligence Laboratory. Цель исследований — получать больше вычислительной отдачи от уже установленного оборудования, а не только наращивать парк серверов.

Оптимизация вместо избыточного наращивания инфраструктуры

По словам Делимитру, в облачных системах накопилась избыточность, особенно на уровне программного обеспечения. Если убрать её без ущерба для производительности, операторам может требоваться меньше новых дата-центров. Это важно на фоне роста энергопотребления таких объектов и нагрузки на электросети.

Группа исследует управление разделяемыми аппаратными ресурсами, обновляет подходы к облачным вычислительным системам и проектирует более компактные серверные архитектуры. Машинное обучение в этой работе автоматизирует операции управления ресурсами и помогает находить варианты, которые разработчик может не заметить вручную.

ИИ для предотвращения сбоев и проверки решений

Один из инструментов команды, Seer, использует глубокое обучение для прогнозирования и предотвращения проблем в веб-приложениях до их возникновения. Такой подход предназначен для снижения масштабных замедлений, которые могут появиться, пока разработчик устраняет ошибку вручную. Речь идёт в том числе о приложениях для потоковой музыки и видеоконференций.

Изменение архитектуры облачных приложений усложняет эту задачу. Разработчики всё чаще делят приложения на небольшие компоненты и распределяют их по нескольким серверам, чтобы быстрее развёртывать сервисы. Однако серверы изначально не проектировались под такой способ организации приложений, поэтому команда создаёт системы машинного обучения для этой категории нагрузок.

Для исследования закрытых платформ группа разработала Ditto. Инструмент имитирует структуру приложения и его характеристики производительности, позволяя проводить широкий спектр экспериментов, когда проприетарные аппаратные и программные системы недоступны академическим командам.

Почему важна объяснимость

Делимитру подчёркивает, что ИИ необходимо применять осторожно: его выводы должны быть доступны для аудита. В лаборатории добавляют объяснимость в ИИ-инструменты, чтобы специалисты получали не только ответ системы, но и полезную обратную связь для оценки результата и последующего проектирования.

Для бизнеса практический вывод состоит в том, что автоматизация управления облачной инфраструктурой должна сопровождаться проверяемостью решений. Повышение загрузки имеющегося оборудования, профилактика сбоев приложений и контроль рекомендаций ИИ позволяют последовательно работать с производительностью без потери понимания того, как система принимает решения.