Siemens i HT optimiziraju podatkovni centar pomoću AI-ja

Siemens je uspješno dovršio projekt White Space Cooling Optimization (WSCO) u suradnji s Hrvatskim Telekomom (HT), a zahvaljujući inteligentnoj postavci senzora i upravljanju hlađenjem temeljenom na umjetnoj inteligenciji, HT‑ov podatkovni centar u Zagrebu sada posluje učinkovitije i ekološki prihvatljivije.

Kako je istaknuo Martin Lang, direktor poslovne jedinice Smart Infrastructure Buildings u Siemensu Austrija, odsad će HT koristiti AI rješenje s mogućnošću strojnog učenja koje dinamički upravlja procesom hlađenja u podatkovnom centru.

- Očekuju se uštede u šestoznamenkastom iznosu u eurima u potrošnji električne energije, koje će kompanija ostvariti zahvaljujući WSCO rješenju, te izbjegavanje potencijalnih kvarova uzrokovanih previsokom temperaturom - dodao je Lang.

Zahvaljujući WSCO rješenju i dinamičkom AI hlađenju, HT je postigao znatno učinkovitije hlađenje informatičke i mrežne opreme u njihovom najvećem podatkovnom centru, izjavio je Ivan Visković, direktor Sektora za jezgrenu mrežu i usluge u Hrvatskom Telekomu.

- Implementacija je rezultirala boljom regulacijom temperature u sistem salama, uklanjanjem tzv. toplih džepova, smanjenjem radnih sati rashladnih jedinica, te u konačnici smanjenjem troškova održavanja - rekao je Visković.

White Space Cooling Optimization (WSCO) sastoji se od tehničke i procesne komponente. Termistori mjere promjene temperature na serverskim, odnosno mrežnim ormarima na principu električnog otpora. Tehnička komponenta obuhvaća bežične senzorske i upravljačke module, AI engine, te korisničko sučelje.

S procesne strane koristi se optimizacijska petlja koja osigurava kontinuirano unapređenje. Proces započinje analizom koja se bazira na podacima sa senzora koji prikupljaju podatke o trenutnom stanju. WSCO zatim koristi umjetnu inteligenciju za automatsku regulaciju protoka zraka ventilatora i identifikaciju problema. Procesi hlađenja dinamički se prilagođavaju u skladu s dobivenim podacima.

Kontinuirani rad sustava i primjena strojnog učenja omogućuju uklanjanje do 99 posto tzv. toplih džepova koje se mogu pojaviti u podatkovnom centru. Osim stalnog unapređenja, ovo rješenje također doprinosi kvalitetnijem preventivnom održavanju identifikacijom neispravnih komponenti.