Comment l’IA peut rendre les centres de données plus efficaces et décarboner

On estime désormais que les centres de données et autres opérations de cloud computing représentent jusqu’à 1 % de la consommation mondiale d’énergie. Le carbone dépensé pour faire fonctionner ces énormes parcs de serveurs – et surtout pour les refroidir – est loin d’être insignifiant. On estime qu’environ 50 % de la consommation d’électricité est liée aux coûts opérationnels de base et que jusqu’à 40 % sont imputables aux coûts de refroidissement.

Les centres de données recherchent partout des solutions, allant de l'exploitation de davantage d'énergies renouvelables à l'immersion des centres de données sous la mer afin d'économiser sur les coûts de refroidissement.

Certaines des solutions les plus parcimonieuses et pratiques impliquent la mise en œuvre de l’intelligence artificielle pour localiser et corriger les inefficacités. Un rapport du Gartner estime que l’IA sera opérationnelle dans la moitié des centres de données au cours des deux prochaines années. Un rapport d’IDC de 2019 suggère que cela s’est peut-être déjà produit. Les charges de travail devraient augmenter de 20 % d’une année sur l’autre, il s’agit donc d’un problème urgent.

Ian Clatworthy, directeur du marketing produit des plateformes de données chez Hitachi Vantara, et Eric Swartz, vice-président de l'ingénierie chez DataBank, parlent des possibilités et des limites des solutions d'IA dans les centres de données.

Afin de créer et de calibrer des instruments d'IA utiles, les centres de données doivent collecter et saisir les données appropriées. Cela s’est avéré difficile car certains types de données qui n’ont pas été historiquement utiles dans les opérations quotidiennes ont tout simplement été ignorées. Certains peuvent être collectés mais inutilisés. Et certaines ne sont pas collectées du tout, ce qui signifie que les opérateurs doivent repartir de zéro ou extrapoler à partir des données existantes.

Les données matérielles nécessaires comprennent : le stockage disponible, la facilité d'accès, le nombre de machines en cours d'exécution à un moment donné et les machines vers lesquelles le trafic est dirigé dans des circonstances données. Les données relatives à l'énergie dépensée pour alimenter les machines et le refroidissement sont également essentielles, tout comme les données associées sur les conditions environnementales à l'intérieur et à l'extérieur du centre.

« Afin de pouvoir créer un système d’IA d’apprentissage automatique approprié, vous auriez besoin de tout cela pour réellement gagner en efficacité. Tout cela compte », déclare Swartz. "Chacun de ces points de données peut fausser l'autre."

L’IA peut en fait être utile pour collecter ces informations en premier lieu. L'exploration de données peut extraire des données utiles enfouies dans des statistiques apparemment sans rapport avec les instructions correctes. Selon Clatworthy, lorsque les données appropriées sont disposées, elles peuvent « réellement présenter les informations d’une manière qui signifie quelque chose ».

La consommation d’énergie des serveurs est une cible principale de l’intervention de l’IA. Les serveurs qui ne sont pas utilisés restent opérationnels et le trafic entrant est réparti de manière inefficace sur les équipements disponibles. Les moteurs de contrôle de planification peuvent utiliser l’apprentissage profond pour diriger le trafic de manière appropriée. Il peut être distribué sur les machines disponibles de manière à utiliser de manière optimale leurs capacités sans les surcharger.

Les machines inutilisées peuvent ensuite être mises hors tension jusqu'à ce qu'elles soient nécessaires. Mieux encore, déclare Clatworthy : « Nous pouvons baisser le processeur. En baissant le niveau, vous consommez moins d’énergie. Allumer et éteindre les machines, explique-t-il, est également inefficace.

Les schémas de trafic peuvent être anticipés, permettant ainsi une utilisation plus économe des équipements. L'efficacité de l'utilisation de l'énergie (PUE) est ainsi améliorée. L’IA peut aider à faire évoluer ces processus à mesure que les charges de travail augmentent.

Des gains d’efficacité supplémentaires peuvent être créés grâce à la maintenance prédictive. « En comprenant les données historiques sur les problèmes de composants ou les calendriers de maintenance, et en les reliant aux allocations budgétaires, les organisations peuvent utiliser l'IA pour fournir des modèles prédictifs », explique Clatworthy.

En exploitant les données pour déterminer quand les pannes sont susceptibles de se produire, des sauvegardes appropriées peuvent être établies plus facilement. Les correctifs et les mises à niveau, qui sont onéreux et demandent beaucoup de travail, peuvent également être automatisés dans une certaine mesure. Et les machines défaillantes peuvent être remplacées ou réparées avant qu’elles n’entraînent des interruptions de service.

La gestion des sources d’énergie elles-mêmes peut également bénéficier de l’IA. En déterminant quand les sources renouvelables sont les plus disponibles (jours venteux pour l'énergie éolienne, jours ensoleillés pour l'énergie solaire), les centres de données peuvent déterminer quand ils puisent dans ces sources et quand ils recourent à des sources d'électricité moins souhaitables dérivées de combustibles fossiles. La chaleur résiduelle peut être redirigée et utilisée soit au sein du centre lui-même, soit par les installations environnantes.