Optimisation de la consommation d'énergie dans les Data Center via une méthode d'intelligence artificielle

Optimisation of Energy Consumption of Data Center using Artificial Intelligence

• Auteur / Autrice : Léo Grill
• Direction : Yousri Slaoui, David Nörtershauser, Stéphane Le Masson
• Type : Thèse de doctorat
• Discipline(s) : Statistique
• Date : Soutenance le 23/06/2023
• Etablissement(s) : Poitiers
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique, matériaux, mécanique, énergétique (Poitiers ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mathématiques et applications - LMA, Poitiers - Laboratoire de Mathématiques et Applications / LMA-Poitiers
• Partenaire(s) de recherche : faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées
• Jury : Président / Présidente : Béatrice Laurent-Bonneau
• Jury : Examinateurs / Examinatrices : Hussein Obeid, Salah-Eddine El Adlouni
• Jury : Rapporteurs / Rapporteuses : Alain Celisse, Vincent Vandewalle

Mots clés

Mots clés contrôlés

Optimisation mathématique

Consommation d'énergie

Apprentissage par renforcement (intelligence artificielle)

Apprentissage profond

Apprentissage automatique

Mots clés libres

Intelligence Artificielle

Apprentissage par renforcement

Apprentissage automatique

Apprentissage profond

Statistiques bayésiennes

Énergie

Centre de données

Optimisation dynamique

Artificial Intelligence

Reinforcement Learning

Machine Learning

Deep Learning

Bayesian statistic

Energy

Data Centers

Dynamic Optimisation

Résumé

Cette thèse explore la manière dont l'intelligence artificielle peut diminuer l'énergie consommée dans les Data Center. L'intelligence artificielle est un vaste domaine de recherche très populaire. Ce domaine est souvent idéalisé, mais comment les nouveautés de la recherche peuvent-elles être appliquées à des cas d'utilisation réels ? Entre considérations physiques, théories mathématiques et technologies informatiques, cette thèse met en application différents domaines pour aider à déployer et améliorer les technologies récentes afin de répondre aux défis énergétiques actuels.La première partie de la thèse évalue les problèmes énergétiques et les technologies déployées dans les centres de données et les bâtiments de télécommunications. Les infrastructures d'information et de communication sont de gros consommateurs d'énergie et nécessitent des systèmes de climatisation spécifiques en raison des conditions de travail du matériel informatique. L'optimisation des systèmes de climatisation et de leur consommation est une préoccupation majeure dans la réduction de la consommation d'énergie.La deuxième partie de la thèse explore l'apprentissage statistique et probabiliste pour optimiser la consommation d'énergie. Elle se concentre principalement sur les modèles d'apprentissage par renforcement profond (Deep Reinforcement Learning) pour une prise de décisions automatisées basées sur les données. L'apprentissage profond est flexible dans la modélisation et peut s'adapter à de nombreux problèmes, ce qui est pratique lorsqu'une méthode doit être généralisée et industrialisée.La dernière partie décrit la mise en œuvre et l'application dans des environnements simples afin de soulever et de traiter les problèmes courants et de discuter de la manière d'adapter le modèle à la réalité. On sait qu'un grand nombre de projets de science des données sont très prometteurs mais ne sont pas mis en œuvre à cause des difficultés pratiques. Ce travail vise à faire un pas en avant dans l'introduction de l'IA dans des environnements sensibles tels que les centres de données.

This thesis explores how Artificial Intelligence can diminish the energy consumed in Data centres. Artificial Intelligence is a vast research area that is very popular. This domain is often idealised, but how can the research novelties be applied to actual use cases?Between physical considerations, mathematics theory and computer science technologies, this thesis employs various fields to help deploy and improve recent technologies to address current energy challenges.The first part of the thesis assesses the energy issues and the technologies deployed in Data centres and telecommunication buildings. Information and communication infrastructures are massive energy consumers and need specific air conditioning systems due to the working conditions of IT material. Optimising air conditioning systems and their consumption is a primary concern in reducing energy consumption.The second part of the thesis explores statistical and probabilistic learning to optimise energy consumption. It mainly focuses on Deep Reinforcement Learning models for automated decision-making based on the data-driven method. Deep learning is flexible in modelisation and can suit many problems, which is convenient when a method must be generalised.The last part describes the implementation and application in simple environments to raise and deal with common issues and discuss how to scale the model to reality. It is known that a lot of Data Science projects have great promises but fail to be implemented. This work aims to make a step in introducing AI in sensitive environments such as Data Centres.