Optimisation de la consommation d'énergie dans les Data Center via une méthode d'intelligence artificielle
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 |
faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées | |
Jury : | Président / Présidente : Béatrice Laurent-Bonneau |
Examinateurs / Examinatrices : Hussein Obeid, Salah-Eddine El Adlouni | |
Rapporteurs / Rapporteuses : Alain Celisse, Vincent Vandewalle |
Mots clés
Mots clés contrôlés
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.