छिपा हुआ AI वर्कलोड डेटा पावर ग्रिड फोरकास्टिंग को कमजोर कर रहा

बड़े लैंग्वेज मॉडल (LLM) के बढ़ने से पावर ग्रिड के लिए एक नई प्रॉब्लम पैदा हो रही है: रिसर्चर्स ने एक नई स्टडी में बताया है कि AI डेटा सेंटर से बिजली की डिमांड तेज़ी से बढ़ रही है, लेकिन उस लोड का अनुमान लगाने के लिए ज़रूरी कुछ जानकारी मॉडल चलाने वाली कंपनियों के अंदर ही बंद रहती है।

एनर्जीज़ में पब्लिश हुई और "Bridging the Information Gap: A Mechanism Design Approach to Forecasting AI's Power Grid Load" टाइटल वाली यह स्टडी, दो-स्टेज वाले फोरकास्टिंग फ्रेमवर्क का प्रस्ताव करती है जो मशीन लर्निंग लोड फोरकास्टिंग मॉडल में उन पैरामीटर्स को फीड करने से पहले बड़े लैंग्वेज मॉडल प्रोवाइडर्स से वेरिफ़ाई की जा सकने वाली डिमांड से जुड़ी जानकारी पाने के लिए इंसेंटिव मैकेनिज्म का इस्तेमाल करता है।

AI बिजली की डिमांड ग्रिड प्लानिंग साइकिल से ज़्यादा तेज़ी से बढ़ रही है।

पेपर में बताए गए आंकड़ों के मुताबिक, 2019 और 2022 के बीच डेटा सेंटर बिजली की खपत दोगुनी से ज़्यादा बढ़कर 460 टेरावॉट-घंटे तक पहुँच गई। इंटरनेशनल एनर्जी एजेंसी (IEA) का अनुमान है कि 2030 तक ग्लोबल डेटा सेंटर की डिमांड 945 टेरावॉट-घंटे से ज़्यादा हो सकती है, जो जापान के मौजूदा बिजली इस्तेमाल से ज़्यादा है। अमेरिका में, 2030 तक डेटा सेंटर्स में बिजली की खपत 9% होने का अनुमान है, जो 2022 में 4% थी।

यह ग्रोथ जेनरेटिव AI, क्लाउड एक्सपेंशन, ज़्यादा कैपिटल इन्वेस्टमेंट और AI इंफ्रास्ट्रक्चर को डिप्लॉय करने की स्ट्रेटेजिक रेस की वजह से हो रही है। हालांकि, पावर सिस्टम इतनी तेज़, कंसन्ट्रेटेड ग्रोथ के लिए नहीं बनाया गया है। बड़े AI डेटा सेंटर्स घने लोकल लोड बना सकते हैं जो ट्रांसमिशन और डिस्ट्रीब्यूशन नेटवर्क पर दबाव डालते हैं, खासकर उन इलाकों में जहां ग्रिड अपग्रेड नए सर्वर कैंपस की तुलना में ज़्यादा धीरे होते हैं।

रिसर्चर्स 2025 के डेलॉइट सर्वे की ओर इशारा करते हैं जिसमें 72% पावर कंपनी और डेटा सेंटर एग्जीक्यूटिव्स ने ग्रिड कैपेसिटी की कमी को इंफ्रास्ट्रक्चर बनाने में एक बड़ी रुकावट बताया था। स्टडी में नॉर्थ अमेरिकन इलेक्ट्रिक रिलायबिलिटी कॉर्पोरेशन की चेतावनियों का भी ज़िक्र किया गया है कि US ग्रिड के कुछ हिस्सों में रिलायबिलिटी रिस्क हैं, जो तेज़ AI डिप्लॉयमेंट और धीमी पावर-सेक्टर प्लानिंग के बीच टेंशन को दिखाता है।

चुनौती सिर्फ़ यह नहीं है कि AI डेटा सेंटर्स ज़्यादा बिजली इस्तेमाल करते हैं। बल्कि यह है कि उनका लोड कई ट्रेडिशनल कमर्शियल लोड से अलग तरह से काम करता है। बड़ी लैंग्वेज मॉडल सर्विसेज़ रियल-टाइम इनफेरेंस रिक्वेस्ट पर रिस्पॉन्ड करती हैं, जिसका मतलब है कि डिमांड यूज़र रिक्वेस्ट की संख्या, प्रॉम्प्ट की लंबाई, रिस्पॉन्स की लंबाई, मॉडल आर्किटेक्चर, हार्डवेयर टाइप, बैचिंग पॉलिसी, अटेंशन इम्प्लीमेंटेशन और सर्विंग कॉन्फ़िगरेशन पर निर्भर करती है।

ग्रिड ऑपरेटर हिस्टॉरिकल लोड और कुछ एग्रीगेट यूसेज पैटर्न देख सकते हैं, लेकिन उन्हें अक्सर उन प्राइवेट टेक्निकल पैरामीटर्स के बारे में पता नहीं होता है जो यह तय करते हैं कि AI प्रोवाइडर का मॉडल टोकन, प्रॉम्प्ट और रिस्पॉन्स को बिजली की डिमांड में कैसे बदलता है। एक मॉडल अपडेट, हार्डवेयर माइग्रेशन, नई बैचिंग स्ट्रैटेजी या इनफेरेंस स्टैक में बदलाव बिजली की डिमांड को इस तरह से बदल सकता है जिसे हिस्टॉरिकल फोरकास्टिंग टूल शायद जल्दी से डिटेक्ट न कर पाएं।

ट्रेडिशनल फोरकास्टिंग मेथड पिछली बिजली की डिमांड और ऑब्जर्वेबल वेरिएबल्स पर निर्भर करते हैं। ऐसे मेथड स्टेबल कंडीशन में काम कर सकते हैं, लेकिन जब प्रोवाइडर अपने सिस्टम बदलते हैं तो AI वर्कलोड स्ट्रक्चरल ब्रेक ला सकते हैं। लेखकों का तर्क है कि AI से होने वाली बिजली की डिमांड का फोरकास्ट करने के लिए न केवल बेहतर एल्गोरिदम की ज़रूरत होती है, बल्कि डिमांड से जुड़ी जानकारी पाने का एक तरीका भी चाहिए जिसे प्रोवाइडर कमर्शियली सेंसिटिव मान सकते हैं।

इंसेंटिव मैकेनिज्म पूरे आर्किटेक्चर डिस्क्लोजर के बिना प्राइवेट AI लोड डेटा मांगता है

स्टडी में प्रपोज़ किए गए फ्रेमवर्क के दो स्टेज हैं। पहले स्टेज में, एक ग्रिड ऑपरेटर बड़े लैंग्वेज मॉडल प्रोवाइडर्स से कम फ़ॉर्म वाले डिमांड पैरामीटर्स निकालने के लिए एक मैकेनिज्म डिज़ाइन अप्रोच का इस्तेमाल करता है। दूसरे स्टेज में, उन निकाले गए पैरामीटर्स को डिमांड हिस्ट्री, कैलेंडर जानकारी और यूसेज इंडिकेटर्स जैसे ऑब्जर्वेबल वेरिएबल्स के साथ फोरकास्टिंग मॉडल्स में शामिल किया जाता है।

प्रोवाइडर्स से उनका पूरा प्रोप्राइटरी आर्किटेक्चर बताने के लिए नहीं कहा जाता है। इसके बजाय, यह मैकेनिज्म वेरिफाइड कम फ़ॉर्म वाले पैरामीटर्स को टारगेट करता है जो यह बताते हैं कि प्रोवाइडर की AI सर्विस यूसेज को पावर डिमांड में कैसे बदलती है। ये पैरामीटर्स आर्किटेक्चर और डिप्लॉयमेंट फैक्टर्स को दिखा सकते हैं और सेंसिटिव मॉडल डिटेल्स के सीधे एक्सपोज़र से बच सकते हैं।

लेखक इस समस्या को इन्फॉर्मेशन एसिमेट्री के तौर पर मॉडल करते हैं। AI प्रोवाइडर अपने सिस्टम के बारे में ग्रिड ऑपरेटर से ज़्यादा जानते हैं। लेकिन सही इंटरनल डिमांड जानकारी इकट्ठा करने और रिपोर्ट करने में प्रोवाइडर के लिए लागत भी आती है, जिसमें मॉनिटरिंग, मेज़रमेंट, ऑडिट की तैयारी और संभावित कॉन्फिडेंशियलिटी की चिंताएं शामिल हैं। इसलिए यह मैकेनिज्म प्रोवाइडर को एक चुने हुए लेवल की प्रिसिजन पर रिपोर्ट करने के लिए बढ़ावा देने के लिए पेमेंट का इस्तेमाल करता है।

स्टडी का थ्योरेटिकल मॉडल रिक्वेस्ट की गई रिपोर्टिंग प्रिसिजन को हर प्रोवाइडर की उस प्रिसिजन को सप्लाई करने की प्राइवेट लागत से जोड़ता है। कम रिपोर्टिंग लागत वाले प्रोवाइडर से ज़्यादा प्रिसिजन के लिए कहा जा सकता है, जबकि ज़्यादा रिपोर्टिंग लागत वाले प्रोवाइडर को कम प्रिसिजन दी जाती है। यह मैकेनिज्म इंसेंटिव-कम्पैटिबल होने के लिए डिज़ाइन किया गया है, जिसका मतलब है कि इसका मकसद प्रोवाइडर के रिपोर्टिंग बिहेवियर को ग्रिड ऑपरेटर की उपयोगी जानकारी की ज़रूरत के साथ अलाइन करना है।

प्रपोज़ल के लिए वेरिफिकेशन बहुत ज़रूरी है। रिसर्चर इस बात पर ज़ोर देते हैं कि सिर्फ़ इंसेंटिव सच्ची रिपोर्टिंग की गारंटी नहीं दे सकते, जब तक कि रिपोर्ट का ऑडिट न किया जा सके। वे सुझाव देते हैं कि कम-फॉर्म डिमांड पैरामीटर को मीटर्ड बिजली की खपत, एग्रीगेट टोकन थ्रूपुट, रिक्वेस्ट वॉल्यूम, प्रॉम्प्ट और रिस्पॉन्स लेंथ स्टैटिस्टिक्स, GPU यूटिलाइज़ेशन लॉग और थर्ड-पार्टी ऑडिट रिकॉर्ड जैसे एक्स-पोस्ट मेज़रमेंट के खिलाफ़ चेक किया जा सकता है।

अगर बताए गए पैरामीटर एक्यूरेसी टेस्ट में फेल हो जाते हैं, तो फ्रेमवर्क पेनल्टी लगाने की भी इजाज़त देता है। प्रैक्टिकल तौर पर, इसका मतलब है कि एक AI कंपनी अपने प्रोप्राइटरी मॉडल डिटेल्स को प्रोटेक्ट कर सकती है, साथ ही ऑडिटेबल डिमांड डिस्क्रिप्टर भी दे सकती है जो ग्रिड ऑपरेटर्स को लोड का ज़्यादा सही अनुमान लगाने में मदद करते हैं।

पेपर में इस्तेमाल किया गया डिमांड मॉडल जानबूझकर रिड्यूस्ड-फॉर्म है। यह रिक्वेस्ट अराइवल रेट्स और रिस्पॉन्स लेंथ्स जैसे यूसेज वैरिएबल्स को प्रोवाइडर-साइड कोएफिशिएंट्स से अलग करता है, जो यह कैप्चर करते हैं कि कोई दिया गया मॉडल और डिप्लॉयमेंट कॉन्फ़िगरेशन उन यूसेज पैटर्न को बिजली की डिमांड में कैसे ट्रांसलेट करते हैं। लेखक बताते हैं कि असली LLM सर्विंग मॉडल से ज़्यादा कॉम्प्लेक्स है, क्योंकि एनर्जी कंजम्पशन KV-कैश रीयूज़, फ्लैशअटेंशन, ग्रुप्ड-क्वेरी अटेंशन, स्पार्स अटेंशन, मिक्सचर-ऑफ-एक्सपर्ट्स रूटिंग, बैचिंग पॉलिसीज़, मेमोरी हायरार्की और GPU शेड्यूलिंग से प्रभावित हो सकता है।

प्रपोज़्ड फ्रेमवर्क हर AI सिस्टम कैसे पावर कंज्यूम करता है, इसका पूरा ऑपरेशनल मॉडल नहीं है। यह एक प्रूफ-ऑफ-कॉन्सेप्ट है जो दिखाता है कि प्राइवेट प्रोवाइडर-साइड इन्फॉर्मेशन वेरिफाइड, रिड्यूस्ड-फॉर्म तरीके से उपलब्ध होने पर फोरकास्टिंग को कैसे बेहतर बना सकती है।

प्रोवाइडर-साइड पैरामीटर शामिल करने पर फोरकास्टिंग एरर कम हो जाते हैं।

इस तरीके को टेस्ट करने के लिए, रिसर्चर्स ने पब्लिक डेटा सेंटर एनर्जी रिपोर्ट, ओपन LLM इंफरेंस एनर्जी बेंचमार्क और सेकेंडरी पब्लिक एस्टीमेट का इस्तेमाल करके कैलिब्रेटेड सिंथेटिक सिनेरियो बनाए। स्टडी में 90 दिनों के हर घंटे के सिंथेटिक ऑपरेशन में 16 रिप्रेजेंटेटिव प्रोवाइडर्स का इस्तेमाल किया गया, जिसमें 24 घंटे पहले फोरकास्ट किए गए। लेखक इस बात पर ज़ोर देते हैं कि नतीजों को असली प्रोप्राइटरी AI डेटा सेंटर लोड मेज़रमेंट पर वैलिडेशन के तौर पर नहीं, बल्कि फ्रेमवर्क के लॉजिक के कंट्रोल्ड डेमोंस्ट्रेशन के तौर पर माना जाना चाहिए।

टेस्ट किए गए मॉडल्स में पर्सिस्टेंस, सीज़नल नैव, रिज रिग्रेशन, ग्रेडिएंट बूस्टिंग, एक आर्किटेक्चर-एग्नोस्टिक ResNet, इलिसिटेड पैरामीटर्स वाला एक ResNet और एक ओरेकल ResNet शामिल थे जो बिना नॉइज़ रिपोर्ट किए ट्रू डिमांड पैरामीटर्स का इस्तेमाल करते हैं। स्टडी में इलिसिटेड पैरामीटर्स के साथ और बिना ग्रेडिएंट बूस्टिंग को भी टेस्ट किया गया ताकि यह देखा जा सके कि क्या फायदे किसी खास न्यूरल नेटवर्क आर्किटेक्चर पर निर्भर करते हैं।

नतीजों से पता चला कि इलिसिटेड रिड्यूस्ड-फॉर्म पैरामीटर्स को जोड़ने से फोरकास्टिंग परफॉर्मेंस में काफी सुधार हुआ। आर्किटेक्चर-एग्नोस्टिक ResNet ने 2.02 × 10⁹ का एवरेज मीन स्क्वेयर्ड एरर दिया, जबकि इलिसिटेड पैरामीटर्स वाले ResNet ने इस आंकड़े को घटाकर 6.72 × 10⁸ कर दिया। यह बेसलाइन ResNet के मुकाबले मीन स्क्वेयर्ड एरर में 65.1% की कमी दिखाता है।

ओरेकल वर्शन, जिसमें बिना नॉइज़ रिपोर्ट किए ट्रू रिड्यूस्ड-फ़ॉर्म पैरामीटर्स का इस्तेमाल किया गया था, ने एरर को और कम करके 2.93 × 10⁸ कर दिया। यह एक अपर-बाउंड बेंचमार्क के तौर पर काम करता था, जो दिखाता था कि अगर प्रोवाइडर-साइड डिमांड की जानकारी पूरी तरह से उपलब्ध हो तो फोरकास्टिंग कितनी बेहतर हो सकती है।

ग्रेडिएंट-बूस्टिंग तुलना में भी यही पैटर्न दिखा। निकाले गए पैरामीटर्स को जोड़ने से मीन स्क्वेयर्ड एरर 4.80 × 10⁸ से घटकर 1.90 × 10⁸ हो गया। यह नतीजा ज़रूरी है क्योंकि इससे पता चलता है कि मुख्य वैल्यू प्रोवाइडर-साइड डिमांड फ़ीचर्स पाने से आती है, न कि खुद ResNet आर्किटेक्चर से।

स्टडी में यह भी पाया गया कि ज़्यादा इंसेंटिव बजट ज़्यादा सटीक रिपोर्टिंग को बढ़ावा देकर फोरकास्टिंग को बेहतर बना सकते हैं। जब प्रोवाइडर रिपोर्ट निकालने के लिए उपलब्ध बजट बढ़ता है, तो रिपोर्ट किए गए पैरामीटर्स में अंतर कम हो जाता है, जिससे फोरकास्टिंग एरर कम हो जाता है। इसके उलट, जब ग्रिड ऑपरेटर के लिए पेमेंट ज़्यादा महंगे हो जाते हैं, तो मैकेनिज़्म कम सटीकता की मांग करता है और कुल ट्रांसफ़र कम हो जाते हैं।

लेखकों का तर्क है कि यह फ्रेमवर्क पावर सिस्टम के लिए इन्फॉर्मेशन-प्रोक्योरमेंट लेयर के तौर पर उपयोगी है। इसका मतलब यूनिट कमिटमेंट, इकोनॉमिक डिस्पैच, रिज़र्व प्रोक्योरमेंट, ऑप्टिमल पावर फ्लो या नेटवर्क-सिक्योरिटी एनालिसिस को बदलना नहीं है। इसके बजाय, यह उन डिमांड फोरकास्ट को बेहतर बना सकता है जो उन डाउनस्ट्रीम ग्रिड-प्लानिंग और ऑपरेशनल टूल्स में फीड करते हैं।

यह ध्यान रखना ज़रूरी है कि एंपिरिकल काम प्रोप्राइटरी सर्विंग लॉग के साथ जोड़े गए ऑपरेशनल डेटा सेंटर लोड ट्रेस के बजाय कैलिब्रेटेड सिंथेटिक डेटा पर निर्भर करता है। इंफरेंस-एनर्जी मॉडल को आसान बनाया गया है और यह मॉडर्न LLM डिप्लॉयमेंट की सभी टेक्निकल खूबियों को पूरी तरह से नहीं दिखाता है। ऑपरेटर का मकसद सीधे तौर पर पूरे पावर-सिस्टम की रुकावटों जैसे वोल्टेज स्टेबिलिटी, ट्रांसमिशन कंजेशन या रिज़र्व ज़रूरतों को मॉडल नहीं करता है। ऑडिट मैकेनिज्म भी मिलीभगत, कोऑर्डिनेटेड मैनिपुलेशन, स्ट्रेटेजिक नॉन-पार्टिसिपेशन या डेटा टैम्परिंग जैसे जोखिमों को पूरी तरह से खत्म नहीं करता है।

लेखकों का सुझाव है कि भविष्य के काम में फ्रेमवर्क को असली AI डेटा सेंटर मेज़रमेंट, बेहतर सर्विंग मॉडल, प्राइवेसी बचाने वाले ऑडिट और पूरे पावर-सिस्टम प्लानिंग मॉडल में इंटीग्रेशन के साथ टेस्ट करना चाहिए।