MIT-Forscherin Christina Delimitrou will Rechenzentren mit KI sparsamer machen

Bauboom belastet das Stromnetz

MIT News beschreibt einen weltweiten Bauboom stromhungriger Rechenzentren, der die Stromnetze belastet und die Abhängigkeit von Energie aus umweltschädlichen fossilen Brennstoffen erhöht. Delimitrou, KDD Career Development Associate Professor in Communications and Technology am Department of Electrical Engineering and Computer Science (EECS) und Mitglied des Computer Science and Artificial Intelligence Laboratory (CSAIL), geht das Problem aus dem Inneren der Anlagen heraus an.

Gemeinsam mit ihrer Gruppe überarbeitet sie veraltete Cloud-Computing-Systeme, entwickelt Methoden zur Verwaltung gemeinsam genutzter Hardware-Ressourcen und konzipiert schlankere Serverarchitekturen. Laut MIT News können Rechenzentrumsbetreiber dank dieser Fortschritte mehr Rechenleistung aus bestehender Hardware herauskitzeln.

Delimitrou sieht in der Verschwendung das Kernproblem. „Wenn Rechenzentren nicht bestmöglich ausgelastet werden, verbrauchen sie viel mehr Strom, als nötig wäre, um die wachsende Nachfrage der Nutzer zu decken“, sagt sie. Als besondere Quelle der Ineffizienz nennt sie die Software: „Vor allem auf der Softwareseite dieser Systeme gibt es viel Ballast. Wenn wir diesen Ballast entfernen können, ohne die Leistung zu beeinträchtigen, müssen wir nicht so viele neue Rechenzentren bauen.“

Maschinelles Lernen für das Ressourcenmanagement in der Cloud

Delimitrous Interesse an dem Thema reicht in ihre Doktorandenzeit an der Stanford University zurück. Dort stellte sie gemeinsam mit ihrem Betreuer Christos Kozyrakis fest, dass viele große Rechensysteme unterausgelastet waren. „Man würde bei dieser enormen Nachfrage erwarten, dass diese Systeme nahezu mit voller Kapazität laufen. Wir stellten aber fest, dass die meisten nur zu etwa 15 Prozent ausgelastet waren“, sagt sie.

Um die Auslastung zu erhöhen, wandte sie sich dem maschinellen Lernen zu. Es kann das Ressourcenmanagement in der Cloud automatisieren und Lösungen finden, die Entwicklern womöglich entgehen. Den Ansatz beschreibt sie als damals riskant, weil noch niemand gezeigt hatte, dass solche Techniken funktionieren. Ihre Begründung: Die Systeme sind so groß, dass Nutzer sie nur schwer von Hand verwalten können.

Als Assistant Professor an der Cornell University entwickelte ihre Gruppe Seer, ein Werkzeug, das mit Deep Learning Probleme in Webanwendungen vorhersieht und verhindert, bevor sie auftreten. Laut MIT News werden damit weitreichende Verlangsamungen vermieden, die entstehen können, wenn ein Entwickler ein Problem manuell zu beheben versucht.

Später fiel ihr auf, dass Entwickler Anwendungen in kleinere Teile zerlegten und auf mehrere Server verteilten, was die Bereitstellung beschleunigt. Da Server für diesen Stil nicht ausgelegt waren, übertrug sie ihre früheren Arbeiten auf diese neue Klasse von Anwendungen und baute dafür Systeme auf Basis maschinellen Lernens.

Fehlersuche, Sicherheit und Erklärbarkeit

Delimitrou setzt KI auch ein, um Programmierern beim Finden und Beheben von Problemen in cloudbasierten Anwendungen wie Musik-Streamingdiensten oder Videokonferenzsystemen zu helfen. Laut MIT News verringert das Ausfallzeiten von Anwendungen, die die Leistung beeinträchtigen und Rechenressourcen verbrauchen. Ihre früheren Arbeiten zur Fehlersuche erweiterte sie so, dass sie nicht nur Fehler im Code abdecken, sondern auch Sicherheitslücken, durch die Nutzerdaten für Hacker angreifbar werden können.

Ein Hindernis ist, dass sich KI-Modelle schwer interpretieren lassen. „Eine der Herausforderungen beim Einsatz von KI in diesen Systemen ist, dass die KI nicht interpretierbar ist“, sagt sie. „Ein Großteil unserer aktuellen Arbeit besteht darin, diesen KI-Werkzeugen Erklärbarkeit hinzuzufügen, damit Menschen nützliches Feedback vom System erhalten können.“

Besseres Ressourcenmanagement habe zudem einen direkten Nutzen für die Anwender, fügt sie hinzu: „Wenn wir Ressourcen in der Cloud effektiver verwalten, erhält der Endnutzer eine berechenbarere Leistung von der Anwendung, die auf seinem Smartphone läuft.“

Von Athen ans MIT

Delimitrou wuchs in einer mittelgroßen Stadt in Nordgriechenland auf und studierte Computertechnik an der Nationalen Technischen Universität Athen. In ihrer Diplomarbeit untersuchte sie das Ressourcenmanagement, wenn mehrere Anwendungen gleichzeitig auf einem Computer laufen. 2022 kam sie als Assistant Professor am EECS ans MIT, angezogen von der Möglichkeit, mit führenden Forschern in Hardware- und Softwaretechnik zusammenzuarbeiten.

Außerdem unterrichtet sie 6.191 (Computation Structure), einen Bachelorkurs mit rund 350 Studierenden pro Semester. „Ich möchte, dass die Studierenden lernen, selbstständig zu denken und zu lernen“, sagt sie. Dazu gehöre, sich von schematischen Aufgaben zu lösen und offenere Kurse anzubieten.

Was das bedeutet

Delimitrous These lautet: Effizienzgewinne bei Software und Ressourcenmanagement können den Druck mindern, neue Anlagen zu bauen. Wenn sich Systeme, die derzeit weit unter ihrer Kapazität laufen, besser nutzen lassen, ohne die Leistung zu schmälern, könnten Betreiber die wachsende Nachfrage mit der Hardware bewältigen, die sie bereits haben. Die Quelle stellt das als Forschungsziel dar und nicht als gemessenes Ergebnis; Zahlen zu Energieeinsparungen durch ihre Werkzeuge nennt sie nicht.