Machine learning ameaça redes de energia e água, alerta especialista
São Paulo — InkDesign News —
A crescente demanda por machine learning (ML) e inteligência artificial (AI) está provocando uma revolução na construção de data centers, exigindo soluções inovadoras para garantir a sustentabilidade desses sistemas cada vez mais complexos.
Contexto da pesquisa
Com o aumento no uso de ferramentas de AI, a necessidade de infraestrutura robusta tem gerado preocupações sérias sobre o impacto ambiental dessas operações. A construção de data centers frequentemente é feita sem considerar a capacidade das redes elétricas e dos recursos hídricos locais, o que leva a riscos de apagões e limitações de água.
Método proposto
Os especialistas estão propondo estratégias que envolvem a utilização de chips de AI mais eficientes, sistemas de resfriamento avançados, como o resfriamento a líquido, e o uso de AI para otimizar o consumo de energia dos próprios data centers. Além disso, a implementação de energias limpas por meio de acordos de compra de energia (PPAs) também é uma prioridade.
“O principal motor do consumo de energia é o equipamento de TI—os servidores funcionam 24 horas por dia, sete dias por semana para processar dados. O segundo fator importante é o resfriamento.”
(“The primary driver for energy consumption is the IT equipment itself—the servers run 24/7 to process data. The second major driver is cooling.”)— Landon Marston, Professor Associado, Virginia Tech
Resultados e impacto
Os resultados indicam que as soluções de resfriamento, como a reutilização do calor gerado, podem transformar subprodutos em recursos comunitários. Em cidades europeias, por exemplo, data centers estão capturando calor para aquecer residências locais.
“A água desempenha um papel principal nesses sistemas de resfriamento, e muitos grandes data centers utilizam resfriamento evaporativo, que pode consumir tanta água quanto uma pequena cidade.”
(“Water’s main role is in those cooling systems. Many large data centers use evaporative cooling, which can sometimes consume as much water as a small city.”)— Landon Marston, Professor Associado, Virginia Tech
No que se refere ao desempenho, a utilização de tecnologias como redes neurais convolucionais (CNN) tem sido central em diversos benchmarks, obtendo métricas de acurácia superiores em modelos de previsão de consumo energético. Isso garante uma operação mais eficiente e reduz os custos operacionais ao mesmo tempo.
À medida que a demanda por machine learning e AI continua a crescer, a necessidade de infraestrutura e regulamentação adequadas se torna cada vez mais crítica para mitigar um impacto negativo potencial no meio ambiente e nas comunidades locais.
Fontes: (TechXplore – Machine Learning & AI)
