Minimizing Cost Menggunakan Deep Q-Learning – Part 1

by

Studi kasus kali ini akan membahas penggunaan AI untuk mengurangi biaya. Contoh yang digunakan adalah mengurangi penggunaan listrik pada data center.

Seperti yang kita ketahui, data center membutuhkan listrik besar untuk menjaga suhu server tetap optimum dalam menjalankan fungsinya.

Algoritma AI yang akan digunakan adalah Deep Q-Learning. Ide dari studi kasus ini berdasarkan blog post dari Google yang menggunakan AI Algoritma DeepMind, untuk menekan biaya penggunaan listrik pada data center. Jika Anda tertarik bisa kunjungi di https://deepmind.com/blog/article/deepmind-ai-reduces-google-data-centre-cooling-bill-40

Sistem yang ada saat ini adalah, server otomatis akan menjalankan sistem pendingin ketika temperatur server naik. Pendekatan ini kurang ramah terhadap biaya, kita akan coba kembangkan model AI agar pengaturan suhu bisa lebih ramah biaya dengan target mengurangi biaya hingga 40% seperti yang dilakukan oleh Google.

Pertama mari kita definisikan parameter environment dan variable yang akan digunakan.

Parameter

  • rata-rata temperatur atmospheric dalam sebulan.
  • range temperatur dari server, yaitu [18◦C; 24◦C]
  • temperatur minimum server, yaitu −20◦C, jika dibawah angka tersebut, server tidak berfungsi.
  • temperatur maximum server, yaitu 80◦C, jika diatas angka tersebut, server tidak berfungsi.
  • jumlah minimum pengguna server, yaitu 10.
  • jumlah maximum pengguna server, yaitu 100.
  • jumlah maximum penambahan atau pengurangan pengguna server per minute, adalah 5.
  • minimum rate transmisi data, adalah 20
  • maximum rate transmisi data, adalah 300
  • jumlah maximum penambahan atau pengurangan rate transmisi data per minute, adalah 10.

Variable

  • temperature server per menit.
  • jumlah user per menit.
  • rate transmisi data tiap menit.
  • energi yang digunakan oleh AI (untuk menurunkan atau menaikan suhu) tiap menit.
  • energi yang digunakan oleh sitem pendingin yang teringrasi dengan server.

Selanjutnya kita akan membuat asumsi untuk menyederhanakan environment. Berikut dua asumsi yang dapat ditarik.

Asumsi 1 : Temperature server dapat diperkirakan dengan Multiple Linear
Regression, yaitu linear function dari atmospheric temperature, jumlah pengguna dan rate dari transmisi data.

Karena ini bukan tutorial linear regression, koefisien diatas sudah kami sediakan, yaitu: b0 = 0, b1= 1, b2= 1.25 dan b3 = 1.25

suhu server = b0 + b1 × suhu atmospheric + b2 × user + b3 × rate transmisi data

suhu server = suhu atmospheric + 1.25 x user + 1.25 x rate transmisi data

Untuk kesederhanaan, pada tutorial diasumsikan korelasi adalah linear. Namun jika Anda ingin bereksperimen, silakan mengasumsikan korelasi quadratic atau logarithmic.

Asumsi 2: Energi yang digunakan (baik oleh AI atau sistem pendingin terintegrasi pada server) untuk mengubah suhu server dari Tt to Tt+1 dalam 1 unit waktu (dalam hal ini 1 menit), dapat diperkirakan menggunakan linear regression:

Untuk kesederhanan tutorial, korelasi yang digunakan adalah linear. Dan karena nilai energi selalu positif, maka digunakan nilai absolute.

Dan kembali, karena ini bukan tutorial linear regression, nilai koefisien sudah kami sediakan yaitu, alpha = 1, dan betha = 0, Jadi persamaan akhir adalah:

Simulasi

Pada proses simulasi, jumlah user dan rate transmisi data akan fluktuatif secara acak untuk mensimulasikan aktual server. Hal ini akan menyebabkan temperatur yang acak dan AI harus memahami bagaimana mengatur suhu agar server tetap berfungsi optimal dengan biaya paling minimum.

Sampai disini, kita sudah memahami tujuan dari AI, parameter dan variable apa saja yang digunakan serta bagaimana simulasi akan dijalankan.

Pada modul selanjutnya kita akan mendefinisikan states, actions dan rewards.

Sharing is caring:

Leave a Comment