Google, l’IA e “machine learning” per aumentare l’efficienza dei data center

Il sofisticato sistema presentato da Google applica il modus operandi del cervello umano ad una IA che gestisce e monitora il data center

Il prossimo step nella gestione e monitoraggio dei data center sembra essere stato compiuto da Google nel corso del recente Data Center Europe 2014: la nota compagnia ha mostrato infatti un inedito sistema per analizzare i dati ricevuti dalla varie webfarm attraverso l’impiego del “machine learning” e di un “network neurale”. In cosa consiste esattamente il promettente sistema adoperato da Google e come funziona?

In poche parole Mountain View ha realizzato un computer capace di conoscere ancora più dettagliatamente dei tecnici specializzati le esigenze energetiche, e non solo, dei vari data center. Il network neurale, così come è stato definito dalla stampa specializzata, è in grado, grazie alla complessa IA sviluppata dal “boy genius” Jim Gao, di imparare e “ragionare” sulle informazioni ricevute: naturalmente gli esseri umani (i tecnici) restano sempre a capo della situazione ma, come dichiarato dal vice presidente della sezione data center Joe Kawa,“in un ambiente dinamico come quello di un data center può essere difficile per un tecnico capire e vedere come tutte le variabili da considerare interagiscano fra loro. […] Le migliori pratiche di gestione/ottimizzazione sono già state implementate ed è giunto il momento di guardare oltre”.

Genesi del neural network Google e modalità di funzionamento

Google IA predictionJim Gao ha iniziato a lavorare al modello di simulazione/elaborazione, da inserire poi nella macchina, nei ritagli di tempo destinati al proprio “20% project”, ovvero un’attività di ricerca e innovazione alla quale un impiegato Google dedicata una parte della propria giornata lavorativa. L’abile ingegnere è riuscito ad includere nel modello un ampio quantitativo di variabili, dal fabbisogno energetico delle infrastrutture fino alle condizioni climatiche e ai carichi di lavoro IT: il risultato finale, dopo un impegnativo periodo di aggiustamento e “trial and error”, ha consentito a Jim di prevedere con il 99,66% dell’accuratezza il PUE (Power Usage Effectiviness, l’energia impiegata) delle strutture.

Conseguire un traguardo di tale importanza non è stato facile, come ha lasciato trasparire lo stesso Joe Kawa:  Gao non aveva alcuna nozione sulle intelligenze artificiali e gli aspetti ad esse correlate ed stata necessaria, in primo luogo, la frequentazione di uno specifico corso presso la Stanford University.

Per quanto riguarda il funzionamento, Kawa ha spiegato che il modello imita il modus operandi del cervello umano (da qui il nome neural network), permettendo al computer di adattarsi e imparare a svolgere determinati compiti senza essere stato appositamente programmato in precedenza da un operatore umano: “ il modello non è altro che una serie di differenti equazioni di calcolo[…]. Ma è necessario capire come funziona il tutto. Il modello inizia allora ad imparare come avvengono le interazioni tra le variabili”.

Le macchine finiranno allora per sostituire completamente i classici ingegneri? Secondo Joe è ancora troppo presto per parlare di simili eventualità, la capacità di giudizio dell’operatore umano resta ancora decisiva se non assolutamente indispensabile.