麻省理工學院的專家說，運行人工智能（AI）的數據中心將比使用人工編輯算法時間表的數據中心效率更高。研究人員表示，他們已經開發了一種自動調度程序，可以將群集作業的速度提高20％或30％，在高峰期甚至可以提高2倍。
麻省理工學院人工智能作業調度程序可使用一種稱為“強化學習”（RL）的人工智能。這是一種基于反復試驗的機器學習方法，可以根據特定集群中的實際工作量來修改調度決策。如果做得正確，人工智能可以取代當前的最新方法，即算法。它們通常必須由工作人員進行微調，從而導致效率低下。
麻省理工學院在與該技術相關的新聞文章中說：“該系統可以使數據中心使用更少的資源以更高的速度處理相同的工作負載。適應數據中心的強化學習形式可以徹底改變運營。”
麻省理工學院電氣工程與計算機科學系的學生Honghong Mao說，“如果使用機器進行反復試驗的方法，他們可以嘗試不同的調度工作方式，并自動找出哪種策略比其他方法更好。利用率稍有改善，即使是1%，也能節省數百萬美元和大量能源。”
當今的數據中心算法面臨哪些問題
當前在數千臺服務器上運行任務的當前算法的問題是它們效率不高。理論上，它們應該是這樣的，但是由于工作負載（任務的組合）是不同的，因此人類需要參與調整性能（例如，可能需要在作業之間共享資源，或者某些作業可能需要比其他作業更快地執行）但是人類無法處理修改的范圍或范圍；這項工作太大了。
在人工編輯的調度中，人類無法理解的排列可以包括以下事實：較低的節點（較小的計算任務）直到上節點（更大的、需要功率的計算任務）完成其工作才能開始工作。科學家們解釋說，計算資源的分配非常復雜。
麻省理工學院的系統Decima可以處理節點和邊緣（邊緣連接節點和鏈接任務）的動態圖形（表示）。而強化學習（RL）以前不可能做到這一點，因為無法充分理解圖表，傳統的強化學習（RL）系統不習慣處理這樣的動態圖。
麻省理工學院基于圖形的人工智能與其他形式的圖像人工智能有所不同。例如，機器人通過處理圖像并在正確的情況下獲取獎勵信號來了解不同場景下對象之間的差異。
但是，類似于向機器人呈現圖像，Decima系統中的工作負載被模仿，直到該系統通過接收人工智能獎勵信號來改善其決策為止。這樣，一種特殊的基準（與歷史進行比較）就可以幫助Decima找出哪些行動是好事，哪些是不好的事，即使由于工作結構的復雜化使工作速度減慢，工作序列僅提供了較差的獎勵信號。基線是MIT系統中的關鍵差異因素。
麥迪遜威斯康星大學教授Aditya Akella說，“Decima可以找到調度優化的機會，而這是繁重的工作，無法通過人工設計/調整過程來實現。那里的團隊開發了許多高性能的調度程序。”
編輯：Harris
