MIT сообщает, что глобальный бум строительства энергоемких дата-центров создает нагрузку на электрические сети, увеличивая зависимость от энергии, получаемой из загрязняющих ископаемых источников. Кристина Делимитру, недавно получившая звание доцента в MIT, борется с этой экологической угрозой, переосмысливая работу компьютерных серверов и сетевого оборудования внутри этих дата-центров. Она и её группа применяют машинное обучение для повышения эффективности, безопасности и надежности крупных дата-центров. Они перерабатывают устаревшие системы облачных вычислений, разрабатывают методы управления общими аппаратными ресурсами и создают упрощенные архитектуры серверов. Эти достижения позволяют операторам дата-центров извлекать больше вычислительной мощности из существующего оборудования. «Если дата-центры не используются на полную мощность, они будут потреблять гораздо больше энергии, чем необходимо для удовлетворения растущего спроса пользователей», — говорит Делимитру, доцент кафедры коммуникаций и технологий в Департаменте электротехники и компьютерных наук (EECS) и член Лаборатории компьютерных наук и искусственного интеллекта (CSAIL). «Существует много избыточности, особенно на программном уровне этих систем. Если мы сможем устранить эту избыточность так, чтобы это не сказалось на производительности, то нам не придется строить так много новых дата-центров». Она также использует ИИ, чтобы помочь программистам находить и исправлять проблемы в облачных приложениях, таких как сервисы потоковой музыки или системы видеоконференций. Это устраняет время простоя приложений, которое ухудшает производительность и расходует вычислительные ресурсы. Делимитру использует ИИ для переработки программных систем, чтобы они лучше соответствовали возможностям существующего оборудования. «Одна из проблем, связанных с применением ИИ к этим системам, заключается в том, что ИИ не интерпретируем», — говорит она. «Многие из наших текущих исследований связаны с добавлением объяснимости в эти инструменты ИИ, чтобы люди могли получать полезную обратную связь от системы». По её словам, «управляя ресурсами более эффективно в облаке, конечный пользователь получает более предсказуемую производительность от приложения, работающего на его смартфоне». Делимитру выросла в небольшом городе на обширных равнинах северной Греции. Её ранний интерес к математике и науке был частично вызван древней историей её родины, где Эвклид и Пифагор изучали математические проблемы более 2000 лет назад. «В Греции существует долгая традиция геометрии», — говорит она. Она также черпала научное вдохновение от своих родителей. Мать работала химическим инженером, а отец — фармацевтом, и оба поддерживали врождённое любопытство дочери. Её ранняя привязанность к математике привела Делимитру к изучению компьютерной инженерии в Национальном техническом университете Афин, хотя она не знала много о данной области. Она быстро заинтересовалась курсами, которые сосредоточены на прикладной науке инженерии. Для своей дипломной работы — проекта, который все студенты выполняют в пятом и последнем году обучения — она изучала управление ресурсами в компьютере, когда одновременно работают несколько приложений. «Многие из тех проблем, которые я тогда рассматривала, становились бы гораздо сложнее, если бы вместо одной системы было 100 000 таких систем. Это была проблема, которая вызвала мой интерес», — говорит она. Стремясь оказать большее влияние как исследователь, Делимитру продолжила обучение в аспирантуре в Стэнфордском университете. Она начала решать проблемы неэффективности в облачных вычислительных системах и крупных дата-центрах, что было быстро развивающейся областью исследований. В ходе этой работы Делимитру и её научный руководитель, Христос Козиракис, профессор инженерии, поняли, что многие крупные вычислительные системы используются неэффективно. «Вы бы ожидали, что при таком спросе на эти системы они должны работать близко к 100 процентам мощности. Но мы обнаружили, что большинство из них работает только на уровне около 15 процентов мощности», — говорит она. «Это не ресурсосберегающий или устойчивый способ масштабирования этих систем». Чтобы приблизить это использование к 100 процентам, она начала исследовать решения на основе машинного обучения для оптимизации громоздких вычислительных процессов. Машинное обучение могло бы автоматизировать операции по управлению ресурсами в облаке, выявляя решения, которые разработчики могли бы упустить. «Применение машинного обучения для решения проблемы крупномасштабной системы было новаторским подходом в то время. Это было немного рискованно, потому что люди еще не показывали, что эти техники будут работать», — говорит Делимитру. «Но эмпирические подходы требуют много опыта, и масштаб системы таков, что пользователям трудно управлять. Вот почему машинное обучение часто является лучшим решением». После получения степени PhD Делимитру продолжила эту линию работы в качестве ассистента профессора в Корнеллском университете. Один из инструментов, разработанных её группой, Seer, использует глубокое обучение для предсказания и предотвращения проблем в веб-приложениях до их возникновения. Это предотвращает широкомасштабные замедления, которые могут произойти, если разработчик попытается исправить проблему вручную. Когда она углубилась в облачные вычисления, Делимитру заметила, что облачные приложения меняются. Разработчики теперь разбивают приложения на более мелкие части, чтобы распределить их по нескольким серверам, что увеличивает скорость развертывания. «Но серверы не были созданы для этого нового стиля проектирования приложений. Поэтому я переосмыслила некоторые из своих предыдущих работ, чтобы создать системы машинного обучения для этого нового класса приложений», — говорит она. Чтобы справиться с этими новыми вызовами, ей стало чаще необходимо сотрудничать с преподавателями, обладающими различными знаниями в области программного и аппаратного обеспечения. Эти сотрудничества открыли захватывающие новые области исследований. Несколько лет спустя она решила присоединиться к MIT из-за возможности сотрудничать с исследователями, являющимися лидерами в своих областях в области аппаратного и программного обеспечения. Она стала ассистентом профессора в EECS в 2022 году. В MIT Делимитру также наслаждается преподавательской частью своей роли. Один из её любимых курсов — 6.191 (Структура вычислений), популярный курс для студентов бакалавриата с примерно 350 студентами каждый семестр. Хотя поддерживать материал курса свежим, когда область постоянно развивается, сложно, она стремится вдохновить креативность у своих студентов. «Я хочу, чтобы студенты научились думать и учиться самостоятельно. Часть этого включает в себя отход от формальных заданий и создание более открытых курсов. Я бы предпочла дать студентам что-то, что заставит их думать глубже», — говорит она. В лаборатории креативный подход помогает Делимитру и её команде выявлять новые решения проблем в облачных вычислениях, которые другие могли бы упустить. В MIT Делимитру также наслаждается преподавательской частью своей роли. «Я хочу, чтобы студенты научились думать и учиться самостоятельно», — говорит она. Например, она расширила предыдущую работу по отладке проблем в облачных приложениях, чтобы охватить не только ошибки в коде, но и проблемы безопасности, которые могут сделать данные пользователей уязвимыми для хакеров. Она также использует ИИ для переработки программных систем, чтобы они лучше соответствовали возможностям существующего оборудования. «Одна из проблем, связанных с применением ИИ к этим системам, заключается в том, что ИИ не интерпретируем», — говорит она. «Многие из наших текущих исследований связаны с добавлением объяснимости в эти инструменты ИИ, чтобы люди могли получать полезную обратную связь от системы». Это не только помогает разработчикам убедиться, что ИИ дает правильный ответ, но и предоставляет идеи о том, как лучше проектировать системы в будущем. Она считает, что изучение этих крупномасштабных облачных вычислительных систем становится всё более сложным, поскольку технологические компании, которые управляют дата-центрами, используют проприетарное оборудование, в отличие от стандартного оборудования ранних дней облачных вычислений, а также программные системы, к которым академические группы не могут получить доступ. Решение, которое работает в лаборатории, может не сработать в реальном мире. В этой связи Делимитру и её группа создают клоны проприетарных систем и приложений. Один из инструментов, который они разработали, называется Ditto, имитирует структуру и характеристики производительности приложения, что позволяет проводить широкий спектр исследований. Она ожидает, что её работа продолжит меняться по мере того, как модели машинного обучения становятся всё более совершенными, открывая новые возможности для повышения производительности приложений и эффективности оборудования. «Но вы всё равно должны использовать ИИ осторожно. Хотя он может значительно ускорить процесс разработки приложений, нам всё равно нужно его проверять и быть особенно осторожными в том, как эти модели применяются, чтобы мы не потеряли возможность получать полезные идеи из решений, которые предоставляет ИИ», — говорит она. Вне лаборатории Делимитру любит проводить время с мужем и 1-летней дочерью. Хотя у неё сейчас не так много времени на хобби, ей также нравится садоводство и создание электрической железной дороги для её дочери, а также игра на классическом пианино и рисование природных сцен. Она заинтересовалась живописью в Корнелле, где часто рисовала многочисленные водопады рядом с кампусом. Будь то работа в саду или живопись, Делимитру говорит, что находит время на свежем воздухе расслабляющим побегом от технической природы своей работы, а также важным напоминанием о роли её исследований в устойчивом развитии. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.