About / Advertise
Under de nio månader som AI-algoritmer direkt fått reglera kylningen på Googles datacenter, har besparingarna ökat med 30 procent.
Sedan år 2016 har operatörer på Googles datacenter fått tips från AI-algoritmer om hur energiförbrukningen kan sänkas.
Men för nio månader sedan fick algoritmerna förtroendet att helt ta över spakarna. Det gav besparingar på initialt 12 procent. Besparingarna har sedan dess ökat till 30 procent, och väntas öka ytterligare.
Algoritmerna har bland annat – till operatörernas förvåning – uppfunnit en metod att utnyttja vintertemperaturer för att sänka temperaturen på kylvattnet. En annan observation är att AI-algoritmerna har en tendens att ta mer av kylutrustning i bruk än konventionella regleralgoritmer.
Reglersignalerna kommer från deep learning-tränade neuronnät. Det är uppköpet Deep Mind – gänget som med sin deep learning-teknik besegrar alla människor och algoritmer i brädspelen go, schack och shogi – som står för tekniken.
Var femte minut ges värden från tusentals sensorer i kylsystemet som indata till djupa artificiella neuronnät. Därefter genereras flera miljarder förslag till nya styrsignaler. I ett sista steg skapas prognoser, inklusive felmarginaler, om de potentiella utfallen, och ett förslag väljs ut.
Dock genomgår beslutet först flera rimlighetskontroller. Och mänskliga operatörer har fortfarande veto och kan byta till konventionella styralgoritmer.
Förslaget att låta AI leverera styrsignalerna direkt till systemet kom enligt Deep Mind från operatörerna själva. Det besparade operatörerna arbete samtidigt som en risk för misstag försvann.
Dessutom kunde regleringen ske i högre frekvens, och därmed bli effektivare. Det motverkades å andra sidan av att riskmarginalerna ökades – algoritmerna fick för säkerhets skull snävare ramar för vilka åtgärder de kunde rekommendera.
Googles datacenter för tjänster som Youtube, Search och Gmail, slukar stora mängder energi.
Google och dess moderbolag Alphabet investerar sedan flera år kraftigt i djup maskininlärning och försöker hitta tillämpningar inom alla sina avdelningar. Djup maskininlärning används tidigare bland mycket annat för att programmera Googles sökalgoritmer, maskinöversättning och rösttolkning.
