कम उत्सर्जन, बेहतर प्रदर्शन: कार्बन-अवेयर AI मॉडल ने दिखाई नई राह

रिसर्चर मारागा एलेक्स और संडे ओ. ओजो ने एक नई स्टडी में बताया है कि इंडस्ट्रियल क्लाउड सिस्टम, कार्बन-अवेयर वर्कलोड शेड्यूलिंग को डीप रीइन्फोर्समेंट लर्निंग के साथ मिलाकर एनर्जी का इस्तेमाल और एमिशन को तेज़ी से कम कर सकते हैं। यह स्टडी AI की सबसे तेज़ी से बढ़ती सस्टेनेबिलिटी प्रॉब्लम में से एक को टारगेट करती है: बड़े पैमाने पर कंप्यूटिंग की बढ़ती एनवायरनमेंटल कॉस्ट।

यह स्टडी, जिसका टाइटल "मॉडल फॉर ग्रीन AI एंड सस्टेनेबल कंप्यूटिंग: एनर्जी-एफिशिएंट आर्किटेक्चर्स एंड कार्बन-अवेयर डिप्लॉयमेंट इन इंडस्ट्रियल सिस्टम्स" है, कंप्यूटर्स में पब्लिश हुई थी। यह हायरार्किकल क्लस्टरिंग डीप Q-नेटवर्क कार्बन-अवेयर प्लेसमेंट सिस्टम, या HC-DQNCAPS, एक हाइब्रिड फ्रेमवर्क पेश करता है जिसे इंडस्ट्रियल क्लाउड और हाइब्रिड कंप्यूटिंग सिस्टम में एनर्जी की खपत कम करने, कार्बन एमिशन में कटौती करने, सर्विस रिलायबिलिटी बनाए रखने और रिसोर्स के इस्तेमाल को बेहतर बनाने के लिए डिज़ाइन किया गया है।

AI ग्रोथ एनर्जी के भूखे इंडस्ट्रियल क्लाउड सिस्टम पर दबाव डालती है

मैन्युफैक्चरिंग, हेल्थकेयर, फाइनेंस, लॉजिस्टिक्स और दूसरे सेक्टर में AI को तेज़ी से अपनाने से बड़े पैमाने पर कंप्यूटिंग इंफ्रास्ट्रक्चर की डिमांड बढ़ रही है। AI सिस्टम को ट्रेनिंग, डेटा प्रोसेसिंग और रियल-टाइम फैसले लेने के लिए बड़ी प्रोसेसिंग कैपेसिटी की ज़रूरत होती है, जिससे क्लाउड डेटा सेंटर, हाइब्रिड सिस्टम और एज एनवायरनमेंट पर ज़्यादा लोड पड़ता है।

स्टडी में कहा गया है कि इस ग्रोथ ने एनर्जी की खपत और कार्बन एमिशन को मॉडर्न कंप्यूटिंग के लिए मुख्य मुद्दे बना दिया है। डेटा सेंटर पहले से ही बिजली के बड़े यूज़र हैं, और AI-इनेबल्ड इंडस्ट्रियल एप्लिकेशन के फैलने से और दबाव बढ़ने का खतरा है, जब तक कि कंप्यूटिंग सिस्टम ज़्यादा अडैप्टिव और एनवायरनमेंट के प्रति जागरूक न हो जाएं।

ग्रीन AI सिर्फ़ परफॉर्मेंस से फोकस हटाकर कम एनर्जी इस्तेमाल, कम एमिशन और बेहतर ऑपरेटिंग एफिशिएंसी से हासिल परफॉर्मेंस पर फोकस करता है। पारंपरिक AI डेवलपमेंट में अक्सर एक्यूरेसी और स्पीड को प्राथमिकता दी गई है, तब भी जब इसके लिए बड़े कम्प्यूटेशनल रिसोर्स की ज़रूरत होती है। दूसरी ओर, ग्रीन AI यह पूछता है कि क्या मॉडल और कंप्यूटिंग इंफ्रास्ट्रक्चर कम बिजली खर्च करते हुए और कम एमिशन करते हुए उपयोगी नतीजे दे सकते हैं।

यह बदलाव खासकर इंडस्ट्रियल सिस्टम में ज़रूरी है, जहां वर्कलोड बड़े, लगातार और ऑपरेशन के हिसाब से सेंसिटिव होते हैं। एक फैक्ट्री, लॉजिस्टिक्स नेटवर्क, हॉस्पिटल सिस्टम या फाइनेंशियल प्लेटफॉर्म को रियल-टाइम सर्विस, स्ट्रिक्ट अपटाइम और कम लेटेंसी की ज़रूरत हो सकती है। कोई भी सस्टेनेबिलिटी स्ट्रैटेजी जो एनर्जी का इस्तेमाल कम करती है लेकिन सर्विस फेलियर का कारण बनती है, उसे लागू करना मुश्किल होगा। इसलिए चुनौती सिर्फ़ एनर्जी बचाना नहीं है, बल्कि सर्विस-लेवल की ज़रूरतों को पूरा करते हुए एनर्जी बचाना है।

मौजूदा एनर्जी-एफिशिएंसी तरीकों में वर्चुअल मशीन कंसोलिडेशन, डायनामिक रिसोर्स एलोकेशन और हार्डवेयर-लेवल ऑप्टिमाइज़ेशन शामिल हैं। कार्बन-अवेयर कंप्यूटिंग भी वर्कलोड को उन इलाकों या समय पर शिफ्ट करने के एक तरीके के तौर पर सामने आई है जब बिजली ज़्यादा साफ़ होती है। लेकिन स्टडी कहती है कि कई मौजूदा तरीके एनर्जी एफिशिएंसी, कार्बन रिडक्शन और सर्विस रिलायबिलिटी को अलग-अलग समस्याओं के तौर पर देखते हैं। यह अलग-अलग तरीका मुश्किल इंडस्ट्रियल माहौल में उनके काम को कम कर देता है।

प्रस्तावित HC-DQNCAPS फ्रेमवर्क तीन चीज़ों को मिलाकर उस कमी को दूर करने की कोशिश करता है: एनर्जी-एफिशिएंट इंफ्रास्ट्रक्चर डिज़ाइन, कार्बन-अवेयर वर्कलोड शेड्यूलिंग और रीइन्फोर्समेंट लर्निंग-बेस्ड डिसीजन-मेकिंग। यह सिस्टम सर्वर के इस्तेमाल, नेटवर्क एक्टिविटी, वर्कलोड बिहेवियर, एनर्जी कंजम्पशन, कार्बन इंटेंसिटी और सर्विस-लेवल स्टेटस के बारे में रियल-टाइम डेटा का इस्तेमाल करके यह तय करता है कि कंप्यूटिंग टास्क कहाँ और कब चलने चाहिए।

हाइब्रिड AI मॉडल क्लस्टरिंग, कार्बन डेटा और रीइन्फोर्समेंट लर्निंग को मिलाता है।

HC-DQNCAPS फ्रेमवर्क एक लेयर्ड आर्किटेक्चर के आस-पास बना है जो इंफ्रास्ट्रक्चर डेटा इकट्ठा करता है, वर्कलोड बिहेवियर को प्रोसेस करता है, इंटेलिजेंट प्लेसमेंट डिसीजन लेता है और फिर क्लाउड ऑर्केस्ट्रेशन और रिसोर्स कंट्रोलर के ज़रिए एक्शन लेता है।

इंफ्रास्ट्रक्चर लेवल पर, सिस्टम CPU यूज़, मेमोरी डिमांड, नेटवर्क बैंडविड्थ, स्टोरेज एक्टिविटी, वर्कलोड अराइवल रेट, कार्बन इंटेंसिटी, एनर्जी यूज़ और सर्विस-लेवल स्टेटस को मॉनिटर करता है। यह जानकारी मॉडल को कंप्यूटिंग डिमांड और एनवायरनमेंटल कंडीशन दोनों का लाइव व्यू देती है।

प्रोसेसिंग लेयर मशीन लर्निंग के लिए डेटा तैयार करती है। यह हायरार्किकल एग्लोमेरेटिव क्लस्टरिंग के ज़रिए एक जैसे वर्कलोड को ग्रुप करने से पहले आने वाले मेट्रिक्स को क्लीन और नॉर्मलाइज़ करता है। यह क्लस्टरिंग स्टेप ज़रूरी है क्योंकि इंडस्ट्रियल क्लाउड एनवायरनमेंट में कई अलग-अलग तरह के वर्कलोड हो सकते हैं, जिनमें CPU-हैवी टास्क, मेमोरी-इंटेंसिव ऑपरेशन, I/O-हैवी एप्लिकेशन और रियल-टाइम स्ट्रीमिंग वर्कलोड शामिल हैं। एक जैसे वर्कलोड को ग्रुप करने से डिसीजन कॉम्प्लेक्सिटी कम होती है और सिस्टम ज़्यादा स्केलेबल प्लेसमेंट डिसीजन ले पाता है।

डिसीजन-मेकिंग लेयर एक डीप Q-नेटवर्क रीइन्फोर्समेंट लर्निंग एजेंट से चलती है। एजेंट सिस्टम की हालत देखता है और सीखता है कि बदलते वर्कलोड, एनर्जी और कार्बन की हालत में कौन सा एक्शन सबसे असरदार है। उपलब्ध एक्शन में रिसोर्स बांटना, वर्कलोड माइग्रेट करना, सर्वर को एक साथ करना, टास्क टालना और रिसोर्स बढ़ाना शामिल हैं।

रीइन्फोर्समेंट लर्निंग मॉडल को एक रिवॉर्ड सिस्टम के ज़रिए ट्रेन किया जाता है जो तीन लक्ष्यों को बैलेंस करता है: एनर्जी की खपत कम करना, कार्बन एमिशन कम करना।

नतीजे कम एमिशन, कम SLA ब्रीच और ज़्यादा रिसोर्स इस्तेमाल दिखाते हैं।

नतीजे बताते हैं कि HC-DQNCAPS ने स्टडी के मुख्य परफॉर्मेंस मेज़र में तुलना के तरीकों से बेहतर परफॉर्म किया। इस मॉडल ने ट्रेडिशनल शेड्यूलिंग तरीकों की तुलना में एनर्जी की खपत लगभग 30% से 35% तक कम कर दी। इसने सर्विस-लेवल वायलेशन को 5% से नीचे रखते हुए कार्बन एमिशन में भी लगभग 25% से 30% की कटौती की।

सबसे ज़्यादा एनर्जी की बचत वर्कलोड क्लस्टरिंग, अडैप्टिव वर्चुअल मशीन माइग्रेशन, कार्बन-अवेयर प्लेसमेंट और डायनामिक रिसोर्स एलोकेशन को मिलाने से हुई। ट्रेडिशनल फर्स्ट-कम-फर्स्ट-सर्व शेड्यूलिंग में सबसे ज़्यादा एनर्जी इस्तेमाल होती थी क्योंकि यह रिसोर्स एफिशिएंसी या सिस्टम-वाइड ऑप्टिमाइज़ेशन पर विचार किए बिना वर्कलोड को एक के बाद एक प्रोसेस करता था। एनर्जी-अवेयर VM एलोकेशन ने सर्वर कंसोलिडेशन के ज़रिए एनर्जी के इस्तेमाल को बेहतर बनाया, लेकिन इसमें प्रपोज़्ड मॉडल की अडैप्टिव लर्निंग और कार्बन-अवेयर क्षमताओं की कमी थी।

कार्बन एमिशन ने भी ऐसा ही पैटर्न फॉलो किया। फर्स्ट-कम-फर्स्ट-सर्व से सबसे ज़्यादा एमिशन हुआ क्योंकि वर्कलोड प्लेसमेंट में एनवायरनमेंटल कंडीशन का ध्यान नहीं रखा गया था। एनर्जी-अवेयर और रीइन्फोर्समेंट लर्निंग तरीकों ने परफॉर्मेंस को बेहतर बनाया, लेकिन HC-DQNCAPS ने सबसे अच्छा परफॉर्म किया क्योंकि इसने वर्कलोड प्लेसमेंट तय करते समय कार्बन इंटेंसिटी और एनर्जी एफिशिएंसी दोनों पर विचार किया।

मॉडल ने बेहतर सर्विस रिलायबिलिटी भी हासिल की। ​​रीइन्फोर्समेंट लर्निंग रिवॉर्ड फंक्शन में सीधे सर्विस-लेवल पेनल्टी को शामिल करके, HC-DQNCAPS ने सस्टेनेबिलिटी लक्ष्यों को छोड़े बिना SLA ब्रीच को कम किया। यह नतीजा महत्वपूर्ण है क्योंकि कार्बन-अवेयर शेड्यूलिंग के बारे में एक आम चिंता यह है कि वर्कलोड को शिफ्ट करने या टालने से सर्विस की क्वालिटी खराब हो सकती है। स्टडी के नतीजे बताते हैं कि इंटेलिजेंट शेड्यूलिंग ऑपरेशनल रिलायबिलिटी बनाए रखते हुए एमिशन को कम कर सकती है।

रिसोर्स यूटिलाइजेशन में भी सुधार हुआ। HC-DQNCAPS ने बेसलाइन तरीकों की तुलना में रिसोर्स यूज को लगभग 20% बढ़ाया। क्लस्टरिंग कंपोनेंट ने एक जैसी रिसोर्स जरूरतों वाले वर्कलोड को ग्रुप करके मदद की, जिससे सिस्टम कंप्यूटिंग कैपेसिटी को ज्यादा कुशलता से एलोकेट कर सका और बेकार इंफ्रास्ट्रक्चर को कम कर सका। बेहतर यूटिलाइजेशन का मतलब है कम बर्बाद होने वाले रिसोर्स, कम पावर ड्रॉ और मजबूत ऑपरेशनल एफिशिएंसी।

स्टडी में बताया गया है कि लगभग 450 ट्रेनिंग एपिसोड के बाद रीइन्फोर्समेंट लर्निंग एजेंट स्टेबल कन्वर्जेंस पर पहुँच गया, जिससे पता चलता है कि मॉडल ने सिमुलेशन के अंदर असरदार वर्कलोड प्लेसमेंट पॉलिसी सीख लीं। ANOVA और विलकॉक्सन साइन्ड-रैंक टेस्ट का इस्तेमाल करके स्टैटिस्टिकल टेस्टिंग से यह कन्फर्म हुआ कि नतीजे 95% कॉन्फिडेंस लेवल पर अहम थे।

रिसर्चर्स का तर्क है कि फ्रेमवर्क का मॉड्यूलर डिज़ाइन इसे कई तरह की इंडस्ट्रियल कंप्यूटिंग सेटिंग्स के लिए सही बनाता है, जिसमें क्लाउड डेटा सेंटर, हाइब्रिड क्लाउड ऑपरेशन और डिस्ट्रिब्यूटेड एज कंप्यूटिंग एनवायरनमेंट शामिल हैं। बदलते वर्कलोड डिमांड, कार्बन इंटेंसिटी और इंफ्रास्ट्रक्चर स्टेटस पर रिस्पॉन्ड करने की इसकी क्षमता इसे उन ऑर्गनाइज़ेशन के लिए उपयोगी बना सकती है जो ऑपरेशनल और सस्टेनेबिलिटी दोनों टारगेट को पूरा करने की कोशिश कर रहे हैं।

स्टडी सिम्युलेटेड एनवायरनमेंट के इस्तेमाल तक ही सीमित है। असल दुनिया के इंडस्ट्रियल क्लाउड सिस्टम में शोर वाले सेंसर, हेट्रोजेनस हार्डवेयर, अनप्रेडिक्टेबल नेटवर्क डिले, मार्केट की रुकावटें और कॉम्प्लेक्स ऑपरेशनल पॉलिसी शामिल होती हैं जो परफॉर्मेंस पर असर डाल सकती हैं। लेखकों के अनुसार, भविष्य की रिसर्च में प्रोडक्शन-स्केल इंडस्ट्रियल इंफ्रास्ट्रक्चर पर HC-DQNCAPS का टेस्ट करना चाहिए और मॉडल को रिन्यूएबल एनर्जी फोरकास्टिंग, कार्बन इंटेंसिटी फोरकास्टिंग, एज कंप्यूटिंग और इंटरनेट ऑफ थिंग्स एनवायरनमेंट को शामिल करने के लिए बढ़ाना चाहिए।

अगले फेज़ में मल्टी-एजेंट रीइन्फोर्समेंट लर्निंग और फेडरेटेड रीइन्फोर्समेंट लर्निंग भी शामिल हो सकती है, जिससे डिस्ट्रिब्यूटेड क्लाउड-एज सिस्टम सभी डिसीजन-मेकिंग को सेंट्रलाइज़ किए बिना वर्कलोड को ऑप्टिमाइज़ कर सकेंगे। कार्बन प्राइसिंग और एनर्जी मार्केट सिग्नल एनवायरनमेंटल परफॉर्मेंस को इकोनॉमिक इंसेंटिव से जोड़कर शेड्यूलिंग डिसीजन को और बेहतर बना सकते हैं।