Članci

17 apr 2018

Veštačka inteligencija
Da veštačka inteligencija beleži rast, gotovo je potcenjivanje. Praktično svakog dana vidimo nove primene nauke o podacima („data science”) u najrazličitijim sektorima.
Mašinsko učenje („machine learning”) omogućava analizu nezamislive količine podataka najbrže do sada. Algoritmi sami pišu nove algoritme i unapređuju se – doslovno – preko noći. Svake noći.
 
Kakvo je trenutno stanje?
IBM-ov super računar Deep Blue je još pre više od 10 godina savladao najboljeg šahistu Gerija Kasparova. Prošle godine je Google-ov super računar DeepMind i njegov program AlphaGo u igrici Go savladao svetskog prvaka Lija Sedola. Početkom ove godine su na Univerzitetu Carnegie Melon razvili program Libratus, koji je na osnovu veštačke inteligencije i mašinskog učenja savladao četiri najbolja igrača na svetu u igri texas Hold’em poker bez ograničenja.
Njegova specifičnost jeste u tome što se radi o igri u kojoj su na raspolaganju nepotpuni podaci – to znači da nisu poznate sve promenljive za optimalno odlučivanje – gde je takođe veoma teško da računar prognozira optimalnu strategiju igre protivnika.

I dok gore navedeni primeri zvuče kao zabavne primene veštačke inteligencije iz popularne kulture, upravo ovi primeri predstavljaju osnovu za poslovnu implementaciju veštačke inteligencije u veoma realne svrhe. Trenutno se najviše govori o autonomnoj vožnji – vožnji automobila bez uključivanja vozača.

Autonomna vožnja na osnovu mašinskog učenja. Izvor: Tesla

Američki proizvođač automobila Tesla je vodeća kompanija u oblasti primene tehnologije za autonomnu vožnju. Teslina vozila će biti ubrzo serijski opremljena senzorima i ostalom neophodnom mašinskom opremom za vožnju bez posredovanja vozača. Pomoću dubokog mašinskog učenja Tesla želi da osigura bezbednost na putu, koja je veća od one koju za volanom može da održava čovek.
U nastavku vam predstavljamo primer na osnovu koga je očigledno da su klimatizacija i hlađenje na spisku ogranaka koje možemo učiniti revolucionarnim pomoću veštačke inteligencije i dubokog mašinskog učenja.
 
Potrošnja energije u centrima za obradu podataka u brojkama
Hlađenje centara za obradu podataka, odnosno prostorija za servere, u kojima se obrađuju izuzetno velike količine podataka, ima velike potrebe za energijom. Zbog toga hlađenje centara za obradu podataka za većinu podataka predstavlja „glavobolju”.
U 2014. godini u SAD centri za obradu podataka su potrošili 70 milijardi kWh energije – što odgovara napajanju preko 6 miliona stambenih kuća u periodu od godinu dana.
Za potrošnju energije ovo predstavlja važan preokret:
•    Od 2000. do 2005. potrošnja je porasla za 90%,
•    Od 2005. do 2010. potrošnja je porasla za 24%,
•    Od 2010. do 2014. potrošnja je porasla za 4%.
Očekivani rast potrošnje energije od 2014. do 2020. je 4% godišnje (Izvor: Berkley Lab)

Prostor za servere kompanije Facebook. Izvor: Facebook.

Efikasnije hlađenje centara za obradu podataka pomoću veštačke inteligencije
Facebook nije slučajno izgradio jedan od svojih centara podataka na ivici arktičkog kruga. Ovo su uradili zato da bi mogli da snize troškove održavanja centra za obradu podataka i njihovo postignuće je ekološki prihvatljivije.
Međutim, Google je otišao i korak dalje. Pomoću mašinskog učenja je poboljšao troškove za održavanje (hlađenje) i povećao prinos objekta. Pomoću veštačke inteligencije i prediktivnih algoritama, Google-ov super računar DeepMind je povećao potrošnju energije u delovima centara za obradu podataka.

Rezultat je zapanjujući. Kompanija Google je potvrdila da se potrošnja energije za hlađenje – prema primeni njihovog pametnog algoritma – snizila za čak 40%.
Prema obračunu „električnih gubitaka i drugih potrošača koji ne potiču od hlađenja”, ta ušteda od 40% energije za hlađenje centra za obradu podataka zaslužna je za smanjenje potrošnje energije na nivou cele zgrade za 15%.
Ovo je veliki napredak uz činjenicu da ovakva ušteda potiče od softvera, a ne unapređenog hardvera.
 
Kako im je to uspelo?
Istraživači odeljenja DeepMind poboljšali su iskorišćenost sistema tako što su upotrebili sistem tzv. dubokih neuronskih mreža, koje su proveravali pomoću različitih scenarija i parametara rada. Na ovaj način su napravili efikasniji i prilagodljiviji okvir za razumevanje energetskih potreba centara za obradu podataka i njihove dinamike. To je bila osnova za optimizaciju efikasnosti.

To su postigli tako što su precizno obuhvatili istorijske podatke koje su izabrali pomoću više od 1000 različitih senzora (senzori temperature, senzori vlage, senzori pritiska, senzori protoka, prebacivanja, senzori pritiska itd.) unutar i izvan centra za obradu podataka.
U obuhvaćene podatke spadaju:
•    temperature,
•    snaga,
•    brzina pumpi,
•    trenutne vrednosti, željene vrednosti i brojne druge.

Pomoću ovih podataka „trenirali” su skup povezanih dubokih neuronskih mreža. Radi se o učenju na osnovu ispitivanja, pomoću čega računar dolazi do razumevanja i pametnijeg informisanog predviđanja.

Neuronske mreže su trenirali na osnovu prosečne efikasnosti potrošnje u budućnosti (average future Power Usage Effectiveness – PUE).
PUE = definisano kao odnos između celokupne potrošnje energije u zgradi i potrošnje energije za IT.
Zatim su trenirali dva dodatna skupa neuronskih mreža, na osnovu kojih su simulirali odn. predviđali buduću temperaturu i pritisak u centru za obradu podataka za sledeći sat.
Cilj ovih prognoza bio je simulacija preporučenih mera iz modela PUE da bi obezbedili da slučajno ne premaše neka operativna ograničenja.

Nakon toga su ovaj model primenili na stvarni centar za obradu podataka. U donjem grafikonu moguće je videti tipičan dan testiranja.
Krivulja se znatno smanjila kada su uključili preporuke na osnovu mašinskog učenja (Machine Learning – ML) i ponovo znatno povećala kada su isključili preporuke na osnovu mašinskog učenja.

 Grafikon potrošnje na osnovu uključivanja/isključivanja upravljanja na osnovu mašinskog učenja. Izvor: Deepmind, Google.

 

Širi uticaj na društvo i okruženje
Pomoću algoritma za mašinsko učenje Google može dosledno ostvariti umanjenje od 50% količine energije potrošene za hlađenje.
Još uzbudljivije je to što ovaj kompleksni algoritam spada u veštačku inteligenciju s opštom namenom upotrebe (tzv. general purpose AI), koja je u svim aspektima naprednija, sposobnija i autonomija nego što su primeri veštačke inteligencije s uskom namenom (tzv. narrow-purpose framework), u koje spada i autonomna vožnja.
Veštačka inteligencija s opštom namenom je korisna prilikom rešavanja izuzetno komplikovanih problema i moguće ju je iskoristiti i za druge izazove unutar centra za obradu podataka, kao i u drugim – nepovezanim – oblastima.

Efekat postaje još opipljiviji ako pomislimo na to da Google širom sveta ima 12 enormno velikih centara za obradu podataka u kojima je sačuvano 900.000 servera – koji svi generišu višak toplote.

Centri za obradu podataka kompanije Google generišu 260 miliona vati energije, što iznosi 0,01% ukupne energije na svetu. Ovo je ekvivalentno konstantnom napajanju 200.000 prosečnih stambenih kuća.
 


Pored toga, Google poseduje mnogo drugih zgrada, gde takođe može iskoristiti pametni energetski efikasan algoritam za uštedu energije. Međutim, sebi su postavili još ambiciozniji cilj. Tim DeepMind želi da proširi algoritam, podeli s drugima znanje i iskustva prenese dalje. Algoritam koji im je omogućio smanjenje potrošnje energije žele da pretvore u „proizvod”, čiju će upotrebu omogućiti i drugim centrima za obradu podataka, kao i onima koji to mogu da iskoriste u industrijske svrhe.

Ako ovo još želimo da spojimo s uređajima koji su npr. namenjeni hlađenju prostorija u centrima za obradu podataka, još veću uštedu energije. To je moguće zato što ovakvi rashladni sistemi raspolažu indirektnim slobodnim hlađenjem i adiabatskim hlađenjem – što predstavlja princip hlađenja koji je preslikan iz prirode.
 

Primer energetski efikasnog uređaja za hlađenje centara za obradu podataka. Izvor: Menerga.

Zeleni inženjering može čak ići korak dalje. Primer pozitivne inženjerske prakse je i hlađenje pomoću morske vode. Najefikasniji centar za obradu podataka kompanije Google nalazi se u Hamini u Finskoj, gde za hlađenje koriste morsku vodu iz Finskog zaliva u cilju smanjenja upotrebe za rashladnom energijom.

 
Mašinsko učenje i posao – bliska budućnost svake kompanije
Za kompaniju koja želi dugoročan uspeh, od ključnog značaja je to da što pre počne da istražuje prakse veštačke inteligencije koje nastaju. Zbog toga danas ima smisla regrutovati naučnike za podatke i analitičare podataka, koji znaju da izaberu prava pitanja i da identifikuju one goruće probleme, koje je vredno rešiti.

David koji može da savlada Golijata shvata da će se do sledeće pobede probiti na osnovu podataka.