Η τεχνητή νοημοσύνη χρειάζεται ολοένα μεγαλύτερη υπολογιστική ισχύ, όμως η λύση στις αυξανόμενες ενεργειακές ανάγκες της μπορεί να μην βρίσκεται αποκλειστικά στην κατασκευή νέων data centers. Η Ελληνίδα καθηγήτρια του MIT Χριστίνα Δελημήτρου αναζητά τρόπους ώστε οι υπάρχουσες υποδομές να αξιοποιούν καλύτερα τους πόρους τους, περιορίζοντας τη σπατάλη ενέργειας χωρίς να υποβαθμίζεται η απόδοσή τους.
Η ερευνήτρια, η οποία απέκτησε πρόσφατα μονιμότητα στη βαθμίδα της αναπληρώτριας καθηγήτριας στο Massachusetts Institute of Technology, μελετά πώς η μηχανική μάθηση μπορεί να βελτιώσει τη λειτουργία των μεγάλων υπολογιστικών συστημάτων. Όπως εξηγεί σε συνέντευξή της στο ΑΠΕ-ΜΠΕ, η πρόκληση για τα επόμενα χρόνια δεν είναι μόνο η ανάπτυξη ισχυρότερων μοντέλων τεχνητής νοημοσύνης, αλλά και η διασφάλιση ότι η λειτουργία τους θα είναι βιώσιμη.
Τα data centers αποτελούν πλέον βασικές υποδομές της ψηφιακής οικονομίας, υποστηρίζοντας από τις εφαρμογές τεχνητής νοημοσύνης μέχρι τις υπηρεσίες τηλεδιάσκεψης και μουσικής μέσω διαδικτύου. Η αυξανόμενη ζήτηση, ωστόσο, συνοδεύεται από υψηλές ενεργειακές απαιτήσεις και πιέσεις στα ηλεκτρικά δίκτυα.
Όταν οι υπολογιστές λειτουργούν με μεγάλο μέρος των δυνατοτήτων τους ανεκμετάλλευτο
Ένα από τα προβλήματα που έχει εντοπίσει η ερευνητική ομάδα της Χριστίνας Δελημήτρου είναι ότι σημαντικό μέρος της διαθέσιμης υπολογιστικής ισχύος παραμένει αναξιοποίητο, την ώρα που τα συστήματα συνεχίζουν να καταναλώνουν ενέργεια.
Η ενασχόλησή της με το ζήτημα ξεκίνησε κατά τη διάρκεια των μεταπτυχιακών και διδακτορικών σπουδών της στο Πανεπιστήμιο Stanford, όπου συνεργάστηκε με τον καθηγητή Χρήστο Κοζυράκη. Τότε, όπως προέκυψε από την έρευνά τους, πολλά μεγάλης κλίμακας υπολογιστικά συστήματα αξιοποιούσαν μόλις το 15% της δυναμικότητάς τους.
Σημαντικό μέρος του προβλήματος, σύμφωνα με την ίδια, σχετίζεται με τον τρόπο που είναι σχεδιασμένο το λογισμικό και με το πώς κατανέμονται οι υπολογιστικοί πόροι. Η αποτελεσματικότερη διαχείρισή τους θα μπορούσε να επιτρέψει την εκτέλεση περισσότερων εργασιών με τις ίδιες υποδομές, περιορίζοντας την ανάγκη για πρόσθετη υπολογιστική ισχύ και, κατ’ επέκταση, για νέες εγκαταστάσεις.
«Η πραγματική καινοτομία δεν βρίσκεται μόνο στη δημιουργία ολοένα ισχυρότερων τεχνολογιών, αλλά και στην ικανότητά μας να τις κάνουμε πιο αποδοτικές, προσβάσιμες και βιώσιμες», επισημαίνει η Ελληνίδα καθηγήτρια.
Πώς η τεχνητή νοημοσύνη μπορεί να κάνει τα data centers αποδοτικότερα
Η ερευνητική ομάδα της στο MIT αναπτύσσει μεθόδους μηχανικής μάθησης που επιτρέπουν την αυτοματοποιημένη διαχείριση των υπολογιστικών πόρων στο cloud. Στόχος είναι να βελτιωθεί ο τρόπος με τον οποίο λειτουργούν οι διακομιστές, ώστε να εξυπηρετούν περισσότερες εφαρμογές με λιγότερους πόρους, διατηρώντας την αξιοπιστία και την ταχύτητά τους.
Ένα χαρακτηριστικό παράδειγμα είναι το Seer, ένα εργαλείο που αξιοποιεί τεχνικές βαθιάς μάθησης για να προβλέπει πιθανά προβλήματα σε διαδικτυακές εφαρμογές πριν αυτά εκδηλωθούν. Με αυτόν τον τρόπο, μπορεί να συμβάλει στον περιορισμό καθυστερήσεων και διακοπών λειτουργίας σε υπηρεσίες που χρησιμοποιούνται καθημερινά από εκατομμύρια ανθρώπους.
Η έρευνα δεν αφορά, επομένως, μόνο την εξοικονόμηση ενέργειας. Αποσκοπεί επίσης στη βελτίωση της αξιοπιστίας των ψηφιακών υπηρεσιών, μέσα από συστήματα που μπορούν να διαχειρίζονται πιο έξυπνα τις αυξανόμενες απαιτήσεις.
Από το Εθνικό Μετσόβιο Πολυτεχνείο στο MIT
Η Χριστίνα Δελημήτρου σπούδασε μηχανικός υπολογιστών στο Εθνικό Μετσόβιο Πολυτεχνείο και στη συνέχεια συνέχισε την ακαδημαϊκή της πορεία στις Ηνωμένες Πολιτείες, στο Πανεπιστήμιο Stanford και στο Πανεπιστήμιο Cornell.
Το 2022 εντάχθηκε στο διδακτικό προσωπικό του MIT, όπου σήμερα ανήκει στο Τμήμα Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών (EECS) και συμμετέχει στο Computer Science and Artificial Intelligence Laboratory (CSAIL).
Η ίδια αποδίδει σημαντικό μέρος της πορείας της στα εφόδια που απέκτησε κατά τη διάρκεια των σπουδών της στην Ελλάδα, αλλά και στους ανθρώπους με τους οποίους συνεργάστηκε.
«Πιστεύω ότι η Ελλάδα διαθέτει εξαιρετικό επιστημονικό δυναμικό, τόσο σε επίπεδο καθηγητών όσο και φοιτητών, και ότι η ποιότητα της δουλειάς που γίνεται στα ελληνικά πανεπιστήμια αξίζει μεγαλύτερη διεθνή αναγνώριση», αναφέρει στο ΑΠΕ-ΜΠΕ.
Η έρευνα και η διδασκαλία στο MIT
Παράλληλα με την ερευνητική της δραστηριότητα, η Ελληνίδα καθηγήτρια δίνει ιδιαίτερη βαρύτητα στη διδασκαλία. Ανάμεσα στα μαθήματα που ξεχωρίζει είναι το Computation Structure, το οποίο παρακολουθούν περίπου 350 προπτυχιακοί φοιτητές κάθε εξάμηνο.
Όπως έχει αναφέρει στο MIT News, επιδιώκει να ενθαρρύνει τους φοιτητές να σκέφτονται ανεξάρτητα, να πειραματίζονται και να αναζητούν τις δικές τους λύσεις στα προβλήματα που αντιμετωπίζουν.
Την ίδια στιγμή, η έρευνά της αγγίζει ένα ζήτημα που γίνεται ολοένα πιο επίκαιρο όσο επεκτείνεται η χρήση της τεχνητής νοημοσύνης: πώς μπορεί να συνεχιστεί η τεχνολογική πρόοδος χωρίς η ενεργειακή της επιβάρυνση να αυξάνεται ανεξέλεγκτα.
Η απάντηση που αναζητά η ομάδα της δεν βρίσκεται μόνο σε ισχυρότερους υπολογιστές και περισσότερες εγκαταστάσεις, αλλά και στην καλύτερη αξιοποίηση των υποδομών που ήδη υπάρχουν.
