人工知能を搭載したGoogle AIまたはデータセンター

人工知能（以降AI）は、SF作家や作家だけでなく、一般の住民も常に惹きつけています。 知性に恵まれたロボットは私たちの好奇心をいじめ、原始的な恐怖を警告し、本や映画の登場人物になります。 ただし、AIは無形の場合もあり、金属やプラスチックのシェルが備わっていません。 独立して決定を下し、特定の変数を変更して特定の目標を達成できるプログラムとアルゴリズムのセットもAIです。 最近、多くのSF作家によると、未来がすでに到来したとき、大きな関心と熱意を持つ多くの企業が、人工知能を使用して生産プロセスを近代化し、商品とサービスを提供しようとしています。 データセンターではないにしても、誰がこの、おそらく革命的なブレークスルーの起源に立つべきか。









多くの点で最大のAIファンの1つはGoogleです。 誰もが直接参加することなくにぎやかな道路を移動できる車、音声を認識して人と通信できるスマートフォンのアプリケーション、デジタル画像を即座に認識できる検索サービスについては、誰もが知っています。 これらすべての素晴らしいものは、Googleだけでなく開発されています。 Facebook、Microsoft、IBMなどの多くの企業は、その恩恵も受けていません。 これは、AIを日常生活に導入することに非常に大きな関心を寄せていることを示す明確な指標です。





Google車



多くの革新的なプロジェクトは、何らかの形でのAIの使用に基づいています。 その中には、Googleの車であるIBM Watson（Q＆A AIシステムを備えたスーパーコンピューター）があります。 これらは非常に知名度の高い公共プロジェクトです。 しかし、それだけではなく、最も重要なものからはほど遠い。 ほとんどの企業は、いわゆる「ディープラーニング」人工知能システムの開発により多くの時間とリソースを費やしています。



IBM Watson（質問応答AIシステムを備えたスーパーコンピューター）



Googleがデータセンターで開発しているのはこのシステムです。 すべてのGoogleサービスの背後には、処理と分析を必要とする大量のデータがあります。 したがって、同社は独自の巨大なデータセンターを所有していますが、これは一般に秘密ではありません。 現時点では、企業はデータセンターで人工ニューラルネットワークを使用し始めています。そのタスクは、データセンター自体の動作を分析することです。 さらに、得られたデータは、データ保存および処理構造の動作を改善するために使用されます。 実際、これらのニューラルネットワークは、パターンを認識し、受信したデータに基づいて特定の決定を下すことができるコンピューターアルゴリズムです。 このネットワークは人間の知能と比較することはできませんが、多くのタスクをはるかに高速かつ効率的に実行できます。 Googleがデータセンターの業務でこれらのアルゴリズムを使用しているのはこのためです。まさに速度が重要な意味を持ちます。



GoogleのデータセンターのAIの作成者は若いエンジニアのJim Gaoで、チームの多くは「若い天才」と呼んでいます。 かつて、彼はスタンフォード大学のAndrew Ng教授のオンライン講義コースに参加しました。 教授は、AIの研究の第一人者です。





ウン教授



Jim Gaoは、「20％の時間」 *を使用して、人工ニューラルネットワークの作業と、それらを会社のデータセンターで使用する方法を研究しました。

* 「20％の時間」は、従業員の仕事の改善を目的としたGoogleの革新です。 実際、これは、労働時間の20％を使用して独自のアイデアを研究開発するための経営陣からの公式の許可であり、将来的には企業にとって役立つ可能性があります。

数秒ごとに、Googleは膨大な量のあらゆる種類のデータを収集します。エネルギー消費の指標、冷却システムで使用される水の量、データセンター外の温度などです。 Jim Gaoは、この情報を収集して処理し、データセンターのパフォーマンスレベルを予測するAIシステムを作成しました。 12か月後、さらに新しいデータを受信したため、モデルは調整されました。 その結果、予測の精度は99.6％でした。



このAIシステムは、特定の問題を解決する際の一種の予防手段です。 現在、AIは主要なデータセンターサポートシステム（エネルギー供給、冷却など）の作業に従事しています。 たとえば、AIシステムは熱交換器の交換を「提供」し、冷却システムを改善します。 数か月前、データセンターは特定の数のサーバーを切断する必要がありましたが、これは通常エネルギー効率に影響しますが、冷却システムを調整するJim GaoのAIのおかげで、技術的な作業はスムーズに進み、エネルギー効率レベルはずっと高いままでした。 Googleの代表者によると、AIは人間には見えない細部に気付くことができるため、非常に効果的です。





このグラフは、AIシステムの予測と実際のエネルギー効率のPUE（電力使用効率）の相関関係を示しています



もちろん、Googleのこのような成功を喜ばずにはいられませんが、このシステムがどのように機能するかはまだ興味深いです。



まず、タスクは、エネルギー効率（PUE）のレベルに最大の影響を与える要因を正確に決定するように設定されました。 Jim Gaoはリストを19の要因（変数）に減らしました。 その後、人工ニューラルネットワークが形成されました。 このシステムは、膨大な量のデータを分析（または処理しやすい人）し、それらのパターンを探すことになっています。



難しさは、全体としては面白くないからです。 より正確には、変数の数。 機器の量、それらの組み合わせ、接続、気象条件などの影響要因。



より詳しくは、この問題と、データセンターの仕事でAIを使用するという状況でそれを解決する方法Jim Gaoは、彼の仕事「データセンターの最適化における機械学習」で説明しています。



ジム・ガオ自身が彼の作品の冒頭で言っていることは次のとおりです。

「最新のデータセンター（DC）は、多くの機械システム、電気システム、制御システムの複雑なセットです。 操作可能な接続および非線形接続の膨大な数の可能な構成は、エネルギー効率の理解と最適化を複雑にします。 私たちは、実際の運用データの分析を通じて、アクション計画をモデル化し、0.004 +/- 0.005の誤差、または1.1 PUEの誤差0.4％でPUEのエネルギー効率のレベルを予測するように訓練されるニューラル接続構造を開発しました。 このモデルは、Googleデータセンターで真剣にテストされています。 結果は、機械学習が既存の感覚データを使用してデータセンターの運用をシミュレートし、エネルギー効率を向上させる効果的な方法であることを実証しました。

モデルの実装



入力変数x- （mxn）はデータ配列です。mはトレーニング例の数、 nはIT負荷と気象条件、稼働中のクーラーと冷却塔の数、設置されている機器の数などを含む機能の数です。





通常の3層ニューラルネットワーク



入力行列xに行列モデルのパラメーターθ1を乗算して、行列の潜在状態を取得します。 実際には、は、行列θ2の²番目のパラメーターと相互作用して初期データ_hθ （x）を計算する中間セクションとして機能します。 隠れ層のサイズと数は、シミュレートされたシステムの複雑さに直接依存します。 さらに、 _hθ （x）は出力データの変動性を表し、最適化する必要がある特定の範囲のインジケーターの形で提示されます。 エネルギー効率のレベルは、データセンターの効率の指標としてこのシステムの形成に使用されます。 指標の範囲は、データセンターの総エネルギー消費量を反映しない係数です。 その他の入力には、生産性を最大化するサーバー使用率データや、データセンターインフラストラクチャが信頼性に与える影響を理解するためのハードウェア障害データが含まれます。 ニューラルネットワークは、初期データ_hθ （x）を計算する数学モデルを形成するために、さまざまなインジケーターデータ間の関係を探しています。 hθ （x）の基本的な数学的原理を理解すると、それらを制御および最適化できます。



インジケーターの線形独立性はオプションであるという事実にもかかわらず、その使用により、システムの学習時間が大幅に短縮され、再トレーニングプロセスの数が削減されます。 さらに、この線形インジケーターシステムは、入力データの数をデータセンターの運用に最も基本的なインジケーターのみに制限することにより、モデルを簡素化します。 たとえば、冷却システムの開口部の温度は、他のシステムの動作（冷却塔の動作、凝縮水の温度、冷水の入口点）の結果であるため、エネルギー効率の形成にとって重要な指標ではありません。



ニューラルネットワークをトレーニングするプロセスは、4つの主要な段階（+ 5番目の段階、段落2〜4を繰り返す）に分けることができます。



1.モデルパラメーター（パターン）の任意の初期化。

2.さらに分岐するためのアルゴリズムの実装。

3.コスト関数J（θ）の計算。

4.逆分岐アルゴリズムの実装。

5.パラグラフ2、3、および4を繰り返して、最大の収束を達成するか、必要な試行回数を達成します。



1.任意の初期化



任意の初期化は、モデルトレーニングの開始直前に[-1、1]の間の値θを任意に割り当てるプロセスです。 これが必要な理由を理解するには、すべてのモデルパラメーターが0になるシナリオを考えます。ニューラルネットワークの後続の各レイヤーの入力データは、 θ （0に等しい）で乗算されるため、同じになります。 さらに、このエラーは、隠れたレイヤーを介して反対方向に伝播し、モデルパラメーターの変更もまったく同じになるという事実につながります。 このため、不均衡の形成を避けるために、 θの値は範囲[-1、1]で任意に変化します。



2.さらに分岐する



各ブランチの値はモデルのパラメーターとその前のレイヤーに依存するため、さらに分岐すると次の各レイヤーを計算するプロセスを参照します。 モデルの初期データは、さらに分岐するアルゴリズムによって計算されます。ここで、 ^l _jはレイヤーjのノードlのアクティブ化を表し、θlはレイヤーlをレイヤーl +1に変換するデータ行列（モデルパラメーター）です。







基本パラメーター（値が1のノード）が各異種レイヤーに追加され、各レイヤーのデジタル表現を表します。



上記の方程式では、 θ1 ₁₀は追加された基本パラメーターx ¹ ₀と隠れ層要素a ² _1の間の値です。



アクティベーション関数x（z）の目的は、入力データを範囲（0、1）内のソースにオーバーレイすることにより、生物学的ニューラルネットワークの動作をシミュレートすることです。 シグモイドロジスティック関数g（z）= 1 /（1 + e ^-z ）で定義されます



上記の方程式は、行列形式でよりコンパクトに表現できることに注意してください。



a ² = g（θ1 x）

_hθ （x）= a ³ = g（θ2 a ² ）



3.コスト関数



この関数は、システムをトレーニングするプロセスの各統合で減少するパラメーターです。 このパラメーターの式は次のようになります。







どこで：

_hθ （x）は予測計算データです。

yは、出力に対応する実際のデータです。

mは、インジケーターごとのトレーニング例の数です。

Lは層の数です。

nはノードの数です。

λは、システムの精度と再トレーニングのためのプロセス数の間のバランスを取る責任がある規制パラメーターです。



この場合、 _hθ （x）はエネルギー効率の計算されたレベルであり、 yはエネルギー効率の実際のレベルです。



4.逆分岐



コスト関数を計算した後、エラーインジケーターδは値0を排除するために逆順ですべてのレイヤーに分散されます。出力レイヤーのエラーは、計算された出力データ_hθ （x）と実際のyの差として定義されます。



3層ニューラル回路の場合、出力層と隠れ層に関連するエラーは次のように表されます。



δ3 = a ³ -y

δ2 =（θ2） ^T. * g '（z ² ）=（θ2）Tδ3 ^. * [a ^2. *（1-a ² ）]



どこで：

g '（z）は、活性化関数の導関数です。 この式は、a。*（1-a）の形式に簡略化できます。



入力データのセットであるため、最初のレイヤーだけにエラーはありません。 各レイヤーについて、以下の式を使用してエラーが計算されます。







ここで： Δlはゼロのベクトルとして初期化されます。 Dlを追加して、ステップ2〜4を繰り返す前に各レイヤーのモデルを更新します。 すべての学習アルゴリズムを組み合わせることにより、このプロセスは収束が達成される前に多数（より正確には数十万）の反復を生成でき、その達成プロセスはコスト公式によって加速されます。



実装



この人工ニューラルネットワークは、5つの隠れ層、各層に50のノード、および正則化パラメーター= 0.001を使用します。 計算には、19個のパラメーターが使用されます。 その結果、1つのパラメーター-データセンターのエネルギー効率のレベルを取得します。 これらの各パラメーターには、それぞれ5分の184435の例が含まれます（5分間のデータセンター内のシステムの動作に関するデータ、分析と計算のために何度も収集されます）。 これは約2年分のデータに相当します（一時的に同等）。 データの70％はシステムのトレーニングに使用され、残りの30％は相互検証とテストに使用されます。 より正確な結果を得るために、データの収集と分析における時系列の順序が意図的に破られました。



正規化データは、データセンターシステムの運用に関する多数の未加工パラメーターを考慮して使用されました。 ベクトルzの値は、範囲[-1、1]で決定されます。







前述のように、神経回路によって実行されるより最適で正確な計算には、19個のパラメーターが使用されました。 完全なリストは次のとおりです。

• IT負荷
• 部屋全体のコアネットワークの負荷
• 流水ポンプの総数
• 中速可変周波数ウォーターポンプドライブ
• 運転中の復水ポンプの総数
• 中速可変速復水ポンプ駆動
• 稼働中の冷却塔の総数
• 平均冷却水温度
• 作動中のチラーの総数
• 稼働中のドライクーラーの総数
• 冷却水インレットポンプの総数
• 入口ポンプの平均水温
• 熱交換器の平均
• 湿潤温度計の外気温
• 乾燥温度計の外気温
• 外気の熱量
• 相対湿度
• 風速
• 風向

しかし、データを非常に正確に分析できる作業システムのこのような肯定的な結果は、「詳細なトレーニング」を使用せずにGaoによって達成されました。 AIの仕事は、このシステムを使用する場合、その能力を大幅に改善および拡大できます。 現在Googleは、データセンターの特定のシステムのパフォーマンスを向上させるためだけにAIを使用しています。 将来的には、AIはデータ分析/処理にも使用されます。 おそらくAIは、インターネット全体を独自の構造として管理し、それを改善して、ユーザーへの応答性を高めます。 人工知能は世界を変えることができます、それは事実です。



しかし、AIに自分よりも多くのパワーを与える前に、人間はどれだけ理解し、理解する必要があるかを知る必要があります。 本格的な人工知能を作成できるかもしれませんが、これは望ましくありません。 私たちは皆、「生徒は先生を上回った」ということを知っています。 私たちの創造物が私たちを超える可能性はありますか。 これらの質問に対する答えはわかりませんが、これは今のところのみです。