Il caso Google: quando l'AI ha preso il controllo del raffreddamento
Nel 2016 DeepMind ha ridotto del 40% l'energia usata per raffreddare i data center di Google. Due anni dopo, l'AI ha iniziato a decidere da sola.
Un data center è, prima di tutto, una gigantesca macchina che produce calore. Migliaia di server lavorano senza sosta e ogni watt consumato per calcolare diventa calore da smaltire. Pompe, torri evaporative, refrigeratori e scambiatori lavorano insieme per mantenere le sale alla temperatura giusta. Per un operatore come Google, che gestisce alcune delle infrastrutture più grandi al mondo, il raffreddamento è una delle voci di costo e di consumo più importanti.
Il problema è che questi impianti sono difficili da ottimizzare a mano. Le apparecchiature interagiscono tra loro in modi non lineari, il carico dei server cambia di continuo, il meteo esterno influenza tutto e ogni struttura ha un'architettura diversa. Le regole fisse e l'intuito degli ingegneri funzionano, ma lasciano margini inesplorati.
Già nel 2014 un ingegnere di Google, Jim Gao, aveva mostrato che una rete neurale addestrata sui dati storici dei sensori poteva prevedere con grande precisione il PUE, l'indicatore che misura quanta energia in più serve all'edificio rispetto a quella usata dai soli server. Era il primo passo: se un modello sa prevedere l'efficienza, può anche suggerire come migliorarla.
Nel 2016 è arrivata la svolta con DeepMind, il laboratorio di ricerca sull'AI di Google. Il gruppo ha addestrato un insieme di reti neurali sui dati raccolti da migliaia di sensori: temperature, potenze, velocità delle pompe, punti di regolazione. Il sistema prevedeva come sarebbero cambiati temperatura e pressione nell'ora successiva e proponeva le azioni per consumare meno, senza superare i limiti di sicurezza.
Il risultato annunciato è diventato un caso di scuola: una riduzione fino al 40% dell'energia usata per il raffreddamento, che corrispondeva a circa il 15% in meno di consumi accessori complessivi dell'impianto. In quella fase, però, l'AI dava solo raccomandazioni: erano gli operatori umani a decidere se applicarle.
Nel 2018 Google ha fatto un passo ulteriore e più delicato: lasciare che il sistema agisse direttamente. Ogni cinque minuti l'AI leggeva lo stato dell'impianto dal cloud, valutava migliaia di possibili azioni e inviava al data center quelle migliori. Il sistema di controllo locale verificava poi ogni istruzione prima di eseguirla. Secondo Google, in pochi mesi questo approccio ha portato in media a risparmi energetici intorno al 30%, destinati a crescere con l'aumentare dei dati.
La parte più interessante non è la percentuale, ma l'architettura della fiducia. Il sistema era progettato con più livelli di protezione: vincoli di sicurezza definiti dagli ingegneri, scarto automatico delle azioni con previsioni poco affidabili, controlli indipendenti a livello di impianto e la possibilità per gli operatori di riprendere il comando manuale in qualsiasi momento. L'AI ottimizza, ma dentro confini scritti dalle persone.
Il caso Google resta un riferimento per tutto il settore industriale. Dimostra che i grandi impianti producono già i dati necessari per essere gestiti meglio, che i guadagni possono essere enormi anche su sistemi già efficienti, e che il vero lavoro è costruire meccanismi di sicurezza tali da permettere a una macchina di prendere decisioni su infrastrutture critiche. È una lezione che vale per le reti elettriche, gli stabilimenti chimici e qualsiasi sistema troppo complesso per essere regolato solo a mano.
Fonti