Yapay Zeka Destekli Veri Merkezlerinde Yeni Verimlilik Ölçütleri

Yapay zeka (AI) kullanımının dünya genelinde hızla artması, büyük teknoloji firmaları, veri merkezi işletmecileri ve yeni nesil yapay zeka tesislerinin BT altyapılarını genişletmelerine yol açıyor. Bu durum, güç talebinde önemli bir artışa neden olarak, soğutma ihtiyaçlarını daha karmaşık hale getiriyor.

Veri merkezi sektörü, enerji ve su verimliliğini değerlendirmek için geleneksel olarak Güç Kullanım Verimliliği (PUE) ve Su Kullanım Verimliliği (WUE) ölçütlerini kullanıyor. Bu ölçütler, tesislerin enerji ve su kullanımını basit bir şekilde gösteren uzun süredir geçerli olan göstergelerdir.

Ancak günümüzün yapay zeka iş yükleri, yeni nesil yongaların ve sıvı soğutma sistemlerinin devreye girmesiyle bu ölçütlerin yetersiz kaldığını gösteriyor. Yapay zeka ve hızlandırılmış hesaplama için tasarlanan yongalar, geleneksel CPU’lardan farklı termal profiller ve performans özellikleri sergiliyor. Bu yongalar, daha yüksek ısı yükleri üreterek sıvı soğutmaya daha fazla bağımlı hale geliyor ve çalışma sıcaklığına bağlı olarak değişken hesaplama performansı sunuyor. Hesaplama gücünün, veri merkezlerinin enerji tüketiminin ana belirleyeni haline gelmesiyle birlikte, verimliliği ve sürdürülebilirliği daha kapsamlı bir şekilde temsil eden yeni ölçütler gündeme geliyor.

PUE, Yapay Zeka Veri Merkezlerinde Yetersiz Kalıyor

PUE, bir tesisin mükemmel bir değer bildirmesine rağmen düşük bir hesaplama çıktısı sunabileceğini göz ardı ediyor. McKinsey & Company’ye göre, küresel hesaplama talebinin 2025’te 82 GW’den 2030’a kadar 220 GW’ye çıkması bekleniyor. Bu durum, kuruluşların yalnızca enerji giriş ve çıkışını değil, aynı zamanda yararlı iş çıktısını da dikkate alan ölçütlere ihtiyaç duyduğunu ortaya koyuyor.

İklim koşulları ve su kıtlığı gibi çevresel faktörler, daha sıcak bölgelerdeki yapay zeka veri merkezlerinin PUE ve WUE değerlerini etkileyebiliyor. Mükemmel bir soğutma sistemine sahip bir tesis, coğrafi koşullar nedeniyle verimsiz görünebilir.

Ayrıca, bir yonga daha yüksek sıcaklıklarda yeterli çalışabilirken, düşük sıcaklıklarda daha iyi bir hesaplama performansı sunabiliyor. Bu durumda, PUE kötüleşirken hesaplama performansı artmakta ve sistemin genel verimliliği yükselmektedir. Bu çelişki, mevcut ölçütlerin yapay zeka odaklı ortamlarda neden yetersiz kaldığını açıkça göstermektedir.

Modern tesislerde, özellikle yapay zeka, hiper ölçekli ve yüksek yoğunluklu kolokasyon uygulamalarını destekleyen tesislerde, verimliliği değerlendirmek için enerji ve su ölçütlerini hesaplama odaklı KPI’larla birleştiren alternatif ölçütler üzerinde durulmaktadır. Bu kapsamda, performansı daha detaylı ve ölçeklenebilir bir şekilde değerlendirmeyi amaçlayan bazı gelişmiş ölçütler şunlardır:

Watt Başına Performans (PPW): Birim enerji başına hesaplama çıktısını ölçer ve BT performansını tesis verimliliği ile uyumlu hale getirir.

Veri Merkezi Enerji Verimliliği (DCeP): Tüketilen enerji birimi başına ne kadar yararlı iş yapıldığını değerlendirir.

Hesaplama Gücü Verimliliği (CPE): Enerji birimi başına sağlanan hesaplama gücünü ifade eder ve yapay zeka ağırlıklı işlemler için idealdir.

Enerjiye Orantılı Hesaplama (EPC): Bir sistemin iş yüküne göre güç kullanımını ne kadar verimli ayarladığını değerlendirir.

Yeşil Verimlilik (GE): Hesaplama çıktısını karbon ayak izi ile ilişkilendirerek sürdürülebilir kararlar alınmasını sağlar.

Litre Başına Performans (PPL): Su tüketimini hesaplama çıktısıyla eşleştirir; su kıtlığı yaşayan bölgeler için kritik öneme sahiptir.

Bu alternatif ölçütler, paydaşların tesisin kaynak verimliliğini değerlendirmenin yanı sıra, her kilovat ve litre için elde edilen değeri de göz önünde bulundurmalarına olanak tanır. Bu ölçütler, operatörlerin tasarım kararlarını, soğutma mimarisini, yonga sıcaklıklarını ve sürdürülebilirlik stratejilerini yeniden gözden geçirmelerine yardımcı olur.

Ancak, bu genişletilmiş ölçüt seti, daha fazla karmaşıklığı da beraberinde getiriyor. Yüksek yoğunluklu soğutma, elektrifikasyon, su stratejileri ve gelişmiş kontrol sistemlerinin bir araya gelmesi, daha entegre bir yaklaşım gerektiriyor.

AI Odaklı Gelecek İçin Bütünsel Bir Ortaklık

Başarılı olmak için kuruluşların, sistem düzeyinde tasarım, karbon azaltımı, performans optimizasyonu ve ölçeklenebilir çözümler konusunda deneyim sahibi mühendislik ve termal yönetim ortaklarına ihtiyaçları var. Konsept ve tasarımdan entegrasyona kadar her aşamada işbirliği yapmak kritik önem taşıyor.

Trane, veri merkezi ekosisteminin tamamını anlamada benzersiz bir uzmanlık sunarak, danışmanlık hizmetleriyle operatörlerin çevresel beklentilerle uyumlu bir şekilde bilgi işlem potansiyelini en üst düzeye çıkarmalarına yardımcı olmaktadır. Veri merkezi uzmanlarımızla iletişime geçin!