Fitur Enterprise Teknologi AI Bisa Bantu Data Center Lebih Hemat Energi

Teknologi AI Bisa Bantu Data Center Lebih Hemat Energi

Interior dalam bangunan data center Google.

Salah satu sumber sakit kepala para petinggi perusahaan teknologi adalah penggunaan listrik di data center.

Sebuah laporan Pemerintah Amerika Serikat pada tahun 2016 menyebutkan bahwa pusat data di AS menyedot listrik sekitar 70 miliar kWh di tahun 2014. Pada tahun 2020, penggunaan listrik oleh data center di negeri Paman Sam itu diperkirakan akan mencapai 73 miliar kWh.

Berbagai strategi dan inovasi dilakukan demi menekan pemakaian listrik di data center. Facebook sengaja membangun server farm seluas hampir 27 ribu meter persegi di Lulea, sebuah kota di Swedia yang berlokasi di tepi Arctic Circle. Hawa dingin Skandinavia diharapkan membantu Facebook berhemat biaya cooling system. Sementara itu, penghematan biaya listrik diperoleh dari pemanfaatan hydro electric yang relatif lebih murah.

Dengan pemakaian listrik yang cukup besar, infrastruktur yang berada di balik aktivitas dunia maya ini juga ikut andil menyumbang emisi gas rumah kaca. The Guardian menyebutkan bahwa emisi global akibat aktivitas online saat ini setara dengan emisi yang dihasilkan bisnis penerbangan.

Menurut SMARTer2020, sebuah laporan yang dikeluarkan oleh GeSI pada tahun 2012, berbagai server di balik aktivitas pencarian di web, streaming film, dan posting media sosial berkontribusi sebesar dua persen terhadap emisi total gas rumah kaca global.

Sistem Pendingin Sedot Energi Tertinggi

Sebagai salah satu pemilik data center terbanyak di dunia, Google pun tak luput dari isu energi ini. Pada tahun 2014 diketahui Google menggunakan listrik sebesar 4.402.836 MWh atau setara konsumsi listrik dari 366.903 rumah tangga di AS.

Salah satu penyebab data center menyedot banyak energi adalah proses pendinginan (cooling). Seperti halnya laptop, data center juga menghasilkan udara panas. Udara bersuhu tinggi ini harus dibuang agar tidak mengganggu kinerja server dan komponen-komponen lain di pusat data.

Proses pendinginan umumnya dilakukan oleh perangkat-perangkat berskala industri, seperti pompa, chiller, dan cooling tower. Namun, dalam lingkungan yang dinamis seperti di data center, peralatan tersebut relatif cukup sulit dioperasikan secara optimal karena beberapa alasan.

Perangkat, cara pengoperasian perangkat, dan lingkungan tidak selalu dapat berinteraksi secara optimal dalam situasi yang kompleks. Sementara itu, sistem engineering yang diformulasikan secara tradisional dan intuisi manusia tidak selalu dapat membaca interaksi tersebut.

Sistem juga tidak dapat cepat beradaptasi dengan perubahan internal atau eksternal, misalnya kondisi cuaca. Setiap data center memiliki arsitektur dan lingkungan yang unik sehingga satu sistem yang diterapkan di satu data center mungkin tidak dapat diterapkan di data center lainnya. Walhasil, proses pendinginan tidak dapat berjalan optimal dan efisiensi energi tidak tercapai.

Kembangkan “Intelligence Network”

Untuk mengatasi masalah tersebut, bersama DeepMind, Google mengembangkan intelligence framework berbasis machine learning. Kecerdasan framework ini disokong oleh deep neural network yang terus menerus mempelajari  berbagai skenario dan parameter operasional data center.

DeepMind menggunakan data-data historis dari sekitar 120 variabel yang dikumpulkan oleh ribuan sensor di data center, misalnya data temperatur, energi, kecepatan pompa, setpoint dan sebagainya. Kemudian, data tersebut digunakan untuk melatih deep neural network, khususnya untuk menghitung nilai rata-rata Power Usage Effectiveness (PUE). Ini karena proyek ini bertujuan meningkatkan efisiensi penggunan energi.

DeepMind juga melatih dua deep neural network lain untuk memperkirakan suhu dan tekanan dalam waktu beberapa jam ke depan. Tujuannya adalah mensimulasikan tindakan-tindakan yang direkomendasikan model PUE dan memastikan sistem tidak melampaui batas-batas operasional yang diperbolehkan.

Penghematan listrik dicapai karena sistem mendapat prediksi computational load yang lebih akurat, lalu sistem akan mencocokkan dengan cooling load yang dibutuhkan.

“Tingkat kompleksitas dan jumlah variabel dalam pekerjaan mengelola data center adalah satu hal di mana algoritma dapat mengalahkan manusia,” ujar Mustafa Suleyman (Co-Founder DeepMind) seperti dikutip dari The Guardian.

Jangan pernah meragukan intuisi manusia. Apalagi ketika ketajaman intuisi itu diasah terus-menerus. Namun algoritma machine learning dapat menggambarkan berbagai kondisi dan situasi secara lebih nyata dan akurat. Ini karena ia “belajar” dari big data, termasuk data tentang hal-hal kecil yang mungkin tidak teridentifikasi oleh manusia.

Perbedaan PUE antara saat sistem AI Deepmind aktif dan tidak aktif.

Reduksi Pemakaian Listrik

Penerapan machine learning ini mencapai hasil yang cukup signifikan bagi Google, yakni mereduksi kebutuhan listrik untuk cooling hingga 40 persen dan menghemat penggunaan listrik Google sampai 15 persen.

Angka tersebut disebut Google sebagai langkah fenomenal, apalagi jika mengingat konsumsi listrik Google yang mencapai lebih dari 4 juta MWh. Dengan penurunan konsumsi listrik sebesar 15 persen, Google dapat menghemat sampai ratusan juta dolar dari tahun ke tahun. Dan jika Anda ingat bahwa Google membeli DeepMind seharga US$600 juta, kelihatannya upaya Google di bidang artificial intelligence dan machine learning akan segera “terbayar” lunas.

Apabila Google berniat memperluas aplikasi machine learning ini ke bagian lagi dari data center-nya, langkah berikutnya adalah mengidentifikasi data-data baru apa yang dibutuhkan untuk melatih deep neural network. Tujuannya, agar mereka mampu mengalkulasi efisiensi yang diinginkan. Dan Google tinggal memasang sensor di area-area yang berpotensi menghasilkan data-data tersebut.

Algoritma machine learning yang dikembangkan DeepMind dan Google adalah general-purpose framework untuk memahami dinamika yang kompleks. Artinya algoritma tersebut dapat diaplikasikan untuk mengatasi tantangan lain di lingkungan data center lainnya maupun lingkungan komputasi yang lebih luas. Misalnya untuk meningkatkan efisiensi konversi di pembangkit listrik, mengurangi pemakaian energi dan air di industri manufaktur semikonduktor, atau meningkatkan throughput di fasilitas manufaktur.

Comments

comments