Google met à profit DeepMind, sa technologie couplant apprentissage machine et réseaux neuronaux artificiels, pour l'aider à réduire la consommation énergétique de ses datacenters. Fruit du rachat de la société britannique éponyme rachetée en janvier 2014 pour 400 millions de dollars, DeepMind devrait permettre à la firme de Mountain View de réduire jusqu'à 40% sa facture d'énergie pour l'ensemble de ses activités Internet. « Cela va également aider d'autres sociétés qui tournent sur le cloud de Google d'améliorer leur propre efficacité énergétique », a indiqué la société dans un blog. « Alors que Google est seulement un des nombreux opérateurs de datacenters dans le monde, beaucoup ne sont pas alimentés par de l'énergie renouvelable comme nous le sommes. »

Le fournisseur s'est fixé pour objectif d'alimenter ses centres de calcul en énergie 100% renouvelable contre 35% aujourd'hui. Pour atteindre cet objectif, Google a notamment passé des accords - voire même aller jusqu'à investir 1,5 milliard de dollars - dans 22 projets de parcs éoliens et solaires dans le monde, ce qui en fait l'entreprise qui achète le plus d'énergie renouvelable. « Cumulés, ces projets représentent une capacité totale de plus de 2,5 gigawatts ce qui représente bien plus d'électricité que nous utilisons », a fait savoir Google. « Pour remettre cela dans le contexte, cette électricité est équivalente à la consommation de près de 500 000 maisons. »

Une gestion des besoins thermiques plus efficaces grâce à DeepMind 

Parmi les leviers au coeur de sa stratégie de baisse des dépenses énergétiques, l'entreprise compte plus que jamais s'appuyer sur DeepMind, une technologie basée sur un réseau neuronal inspiré du système nerveux humain afin d'apprendre activement de son environnement pour résoudre des tâches complexes.

L'importante infrastructure de datacenters de Google supporte des services Internet comme Search, Gmail et YouTube, mais ses serveurs génèrent énormément de chaleur devant être évacuée pour permettre aux équipements de continuer à fonctionner. « Ce refroidissement est habituellement effectué avec de gros équipements industriels comme des pompes, des climatiseurs et des tours de refroidissement », a expliqué Google. « Nous avons commencé à exploiter le machine learning il y a deux ans pour opérer nos datacenters plus efficacement. Et sur les derniers mois, les chercheurs de DeepMind ont commencé à travailler avec l'équipe datacenter de Google pour améliorer de façon significative l'efficacité du système. »

Un graphique affichant un jour de test habituel utilisant l'agorithme DeepMind pour recommander la meilleure efficacité énergétique. Le graphique montre quand les recommandations de l'apprentissage machine sont activées ou non. (crédit : Google)

Une extension prévue de Deepmind à d'autres datacenters 

DeepMind utilise des données historiques - températures, puissance et vitesse des pompes - ayant déjà été collectées par des milliers de capteurs dans ses datacenters et servant à entraîner ses réseaux neuronaux d'intelligence artificielle pour déterminer un futur indicateur moyen de mesure d'efficacité énergétique (PUE). Des réseaux neuronaux utilisées pour prédire la future pression et température d'un datacenter en vue de recommander des actions. « Notre système d'apprentissage machine a été en mesure d'atteindre systématiquement une réduction de 40% du montant de l'énergie utilisée pour le refroidissement, ce qui équivaut à une réduction de 15% de l'ensemble du PUE après avoir pris en compte les pertes électriques et d'autres inefficacités de non refroidissement. Il produit également le PUE le plus bas que le site n'a jamais connu », a indiqué Google.

La firme de Mountain View prévoit maintenant d'étendre l'algorithme d'apprentissage machine Deepmind à d'autres datacenters pour améliorer par exemple la conversion énergétique (dégager plus d'énergie d'un même site), réduire l'énergie et l'eau nécessaire à la fabrication de semiconducteurs et aider à augmenter le débit des installations de fabrication. La société prévoit de partager les résultats de manière à ce que d'autres datacenters et opérateurs de systèmes industriels peuvent bénéficier de l'expérience acquise.