Подпись: Кристина Делимитру использует искусственный интеллект для переработки программных систем, чтобы они лучше соответствовали возможностям существующего оборудования. Фото: Адам Гланцман, MIT News.
Стремительное строительство энергоёмких центров обработки данных по всему миру создаёт повышенную нагрузку на электросети и вынуждает всё чаще обращаться к ископаемому топливу. С этой экологической угрозой борется Кристина Делимитру — недавно получившая постоянную должность доцента Массачусетского технологического института (MIT). Она пересматривает принципы работы серверов и сетевого оборудования, установленных внутри таких центров.
Вместе со своей научной группой Делимитру применяет машинное обучение, чтобы сделать крупномасштабные центры обработки данных более эффективными, защищёнными и надёжными. Исследователи перепроектируют устаревшие системы облачных вычислений, разрабатывают способы управления общими аппаратными ресурсами и создают оптимизированные серверные архитектуры. Такие решения позволяют операторам выжимать больше вычислительной мощности из уже имеющегося оборудования.
«Если центры обработки данных используются не в полную силу своих возможностей, они будут сжигать гораздо больше энергии, чем необходимо для удовлетворения растущего спроса пользователей, — говорит Делимитру, занимающая должность ассоциированного профессора по коммуникациям и технологиям имени KDD Career Development в департаменте электротехники и информатики (EECS) и являющаяся сотрудницей Лаборатории информатики и искусственного интеллекта (CSAIL). — В этих системах много избыточности, особенно на программной стороне. Если мы сможем устранить эту избыточность, не жертвуя производительностью, то нам не придётся строить столько новых центров обработки данных».
Кроме того, она использует искусственный интеллект, чтобы помочь программистам находить и устранять проблемы в облачных приложениях — например, в сервисах потокового воспроизведения музыки или системах видеоконференцсвязи. Это позволяет избежать простоев приложений, которые снижают производительность и истощают вычислительные ресурсы.
«Благодаря более эффективному управлению ресурсами в облаке конечный пользователь получает более предсказуемую работу приложения на своём смартфоне», — добавляет она.
Делимитру выросла в небольшом городе на обширных равнинах северной Греции. Интерес к математике и науке у неё пробудился во многом благодаря древней истории родины, где Евклид и Пифагор изучали математические задачи более 2000 лет назад. «В Греции существует давняя традиция геометрии», — отмечает она. Научное вдохновение она также черпала в семье: её мать работала инженером-химиком, а отец — фармацевтом, и оба поощряли врождённое любопытство дочери.
Ранняя склонность к математике привела Делимитру к изучению компьютерной инженерии в Национальном техническом университете Афин, хотя об этой области она тогда знала немного. Она быстро увлеклась курсами, посвящёнными прикладной науке инженерии. В своей дипломной работе — проекте, который выполняют все студенты на пятом, выпускном курсе, — она изучала управление ресурсами компьютера при одновременной работе нескольких приложений. «Многие задачи, которые я тогда рассматривала, стали бы гораздо сложнее, если бы вместо одной системы у вас было 100 000 таких систем. Именно эта проблема и вызвала мой интерес», — рассказывает она.
Стремясь добиться большего влияния как исследователь, Делимитру получила степень в Стэнфордском университете. Она начала заниматься неэффективностью систем облачных вычислений и крупномасштабных центров обработки данных — областью исследований, которая быстро развивалась. В ходе этой работы Делимитру и её научный наставник Кристос Козиракис, профессор инженерии имени Леонарда Босака и Сэнди К. Лернер, осознали, что многие крупные вычислительные системы используются не полностью. «Можно было бы ожидать, что при всём спросе на эти системы они должны работать почти на 100 процентов мощности. Но мы обнаружили, что большинство из них загружены лишь примерно на 15 процентов, — говорит она. — Это не ресурсоэффективный и не устойчивый способ масштабирования таких систем».
Чтобы приблизить загрузку к 100 процентам, она начала изучать решения на основе машинного обучения для оптимизации громоздких вычислительных процессов. Машинное обучение могло автоматизировать операции по управлению ресурсами в облаке, находя решения, которые разработчики могли бы упустить. «Применение машинного обучения для решения задачи крупномасштабной системы было в то время новаторским подходом. Это было несколько рискованно, поскольку люди ещё не доказали, что эти методы будут работать, — говорит Делимитру. — Но эмпирические подходы требуют большого опыта, а масштаб системы настолько велик, что пользователям трудно ею управлять. Именно поэтому машинное обучение часто оказывается лучшим решением».
Получив докторскую степень, Делимитру продолжила эту работу в качестве ассистента профессора Корнеллского университета. Один из инструментов, разработанных её группой, Seer, использует глубокое обучение для прогнозирования и предотвращения проблем в веб-приложениях до их возникновения. Это позволяет избежать массовых замедлений, которые могут произойти, если разработчик попытается исправить проблему вручную. Углубляясь в облачные вычисления, Делимитру заметила, что облачные приложения меняются: разработчики стали разбивать приложения на более мелкие части для распределения по нескольким серверам, что ускоряет развёртывание. «Но серверы не были созданы для такого нового стиля проектирования приложений. Поэтому я переосмыслила некоторые из своих ранних работ, чтобы создать системы машинного обучения для этого нового класса приложений», — говорит она.
Чтобы справиться с этими новыми задачами, она стала чаще сотрудничать с преподавателями, обладающими разными знаниями в области программного и аппаратного обеспечения. Эти совместные работы открыли захватывающие новые направления исследований. Несколько лет спустя она решила присоединиться к MIT из-за возможности сотрудничать с исследователями мирового уровня в области аппаратной и программной инженерии. В 2022 году она стала ассистентом профессора в EECS.
В MIT Делимитру также получает удовольствие от преподавательской части своей работы. Один из её любимых курсов — 6.191 (Computation Structure, «Структура вычислений»), популярный курс для бакалавров, который каждый семестр посещают около 350 студентов. Хотя поддерживать свежесть материала сложно, поскольку область постоянно развивается, она стремится пробудить в студентах творческие способности. «Я хочу, чтобы студенты научились думать и учиться самостоятельно. Часть этого involves отход от шаблонных заданий и придание занятиям более открытого характера. Я предпочла бы дать студентам что-то, что заставит их думать глубже», — говорит она. В лаборатории творческий склад ума помогает Делимитру и её команде находить новые решения проблем облачных вычислений, которые другие могли бы упустить.
Например, она расширила прежнюю работу по отладке проблем в облачных приложениях, включив в неё не только ошибки в коде, но и проблемы безопасности, которые могут сделать пользовательские данные уязвимыми для хакеров. Она также использует искусственный интеллект для переработки программных систем, чтобы они лучше соответствовали возможностям существующего оборудования. «Одна из проблем применения ИИ к этим системам заключается в том, что ИИ не интерпретируем, — говорит она. — Большая часть работы, которую мы сейчас ведём, связана с добавлением объяснимости в эти инструменты ИИ, чтобы люди могли получать полезную обратную связь от системы». Это не только помогает разработчикам убедиться, что ИИ даёт правильный ответ, но и даёт представление о том, как лучше проектировать системы в будущем.
Она отмечает, что изучать такие крупномасштабные системы облачных вычислений становится всё сложнее, поскольку технологические компании, управляющие центрами обработки данных, используют проприетарное оборудование, в отличие от стандартного оборудования ранних дней облачных вычислений, а также программные системы, недоступные для академических групп. Решение, работающее в лаборатории, может не работать в реальном мире. Поэтому Делимитру и её группа создают копии проприетарных систем и приложений. Один из разработанных ими инструментов, получивший название Ditto, имитирует структуру и характеристики производительности приложения, что позволяет проводить широкий спектр исследований. Она ожидает, что её работа будет продолжать меняться по мере совершенствования моделей машинного обучения, открывая новые возможности для повышения производительности приложений и эффективности оборудования. «Но всё равно нужно использовать ИИ осторожно. Хотя он может значительно ускорить разработку приложений, нам всё ещё нужно проверять его и быть особенно внимательными к тому, как эти модели применяются, чтобы не потерять способность извлекать полезные выводы из решений, которые даёт ИИ», — говорит она.
Вне лаборатории Делимитру любит проводить время с мужем и годовалой дочерью. Хотя в наши дни у неё не так много времени на хобби, она также увлекается садоводством и строительством электрической игрушечной железной дороги для дочери, а ещё играет на классическом фортепиано и рисует пейзажи природы. Интерес к живописи возник у неё в Корнелле, где она часто рисовала многочисленные водопады near кампуса. Работает ли она в саду или рисует, Делимитру говорит, что время на свежем воздухе для неё — расслабляющая передышка от технической сути её работы, но также важное напоминание о той роли, которую её исследования играют в устойчивом развитии.