Joe Kava, VP de la section responsable des data centers de Google, a expliqué que Mountain View a commencé à utiliser un réseau de neurones artificiels pour optimiser les opérations de traitement de données transitant sur ses serveurs mais également réduire encore plus la consommation d’énergie. Ces réseaux de neurones sont essentiellement des algorithmes informatiques qui peuvent reconnaître des modèles et prendre des décisions en conséquence. Même s’ils ne peuvent pas encore reproduire exactement l’intelligence au même niveau que celui d’un être humain, ils sont capables, dans certains cas, de travailler plus rapidement et de façon plus efficace que le cerveau. D’autant plus que les algorithmes ont une faculté d’adaptation et d’apprentissage : « ces modèles peuvent 'apprendre' en compulsant les données encore et encore » affirme Kava.
« Dans des environnements aussi dynamique qu’un data center, il peut être difficile pour les humains de voir comment interagissent toutes les variables » explique Kava qui estime que toutes les pratiques les plus évidentes ont déjà été mises en œuvre et qu’il est temps de voir au-delà.
Entre alors sur scène Jim Gao, surnommé affectueusement Boy Genius par ses collègues ingénieurs. Pendant le traditionnel projet de 20% de Google, qui consiste à laisser à ses ingénieurs la possibilité de mener des projets libres auxquels ils peuvent consacrer jusqu’à 20% de leur temps, il s’est attelé à faire des recherches sur une machine capable d’apprendre puis construire des modèles pouvant prédire l’indicateur d'efficacité énergétique - PUE - avec une précision de 99,6% et ainsi améliorer les performances du data center.
Toutes les 30 secondes Google calcule le PUE en tenant compte des variables comme la température extérieure (qui a un impact sur le travail des tours de refroidissement), la charge de travail, etc. Jim Gao a alors pris cet ensemble d’informations qui sont réunies à la fin des opérations journalières et les a utilisées sur sa machine pour les modéliser et permettre à son équipe de comprendre les itérations complexes qu’il y a entre ces variables. Ci-dessous une version simplifiée de ce que les modèles font : en entrées nous avons des données, les modèles trouvent les itérations cachées et fournissent par la suite des recommandations pour optimiser le PUE
Dans la pratique, Google a donné l'exemple de l'arrêt temporaire de serveurs qui modifient l'efficacité énergétique de l'ensemble du data center, et dont le modèle de Jim Gao a permis de modifier certains réglages pour maintenir un fonctionnement optimal.
Avec le modèle prédictif précis de Jim Gao, les ingénieurs des data centers de Google peuvent prédire plus facilement les conséquences des modifications de configuration du data center et maintenir au plus bas la consommation d'énergie nécessaire. Hier, un livre blanc a été publié sur la façon dont Google s’est servi du réseau neuronal artificiel pour optimiser les opérations dans ses datacenters.
Source : blog Google
Et vous ?
Qu'en pensez-vous ? 
