雷竞技电脑网站麻省理工学院的专家表示，运行人工智能(AI)的数据中心将比那些手工编辑算法调度的数据中心效率高得多。那里的研究人员表示，他们已经开发了一种自动化调度程序，可以将集群作业的速度提高20%或30%，在高峰时期甚至更快(2倍)。
在AI类型的学校的AI作业调度作品名为“强化学习”（RL）。这是一个试错的基于机器学习的方法来修改调度决策取决于特定的簇的实际工作负载。AI，当右进行，可以取代当前的状态的最先进的方法，该方法是算法。他们往往必须由人类微调，引入效率低下。
“该系统可以使数据中心以较高的速度来处理相同的工作雷竞技电脑网站负载，使用更少的资源，”学校说，在有关科技新闻文章。麻省理工学院的研究人员表示，这种适应数据中心的RL可能会雷竞技电脑网站给操作带来革命性的变化。
“If you have a way of doing trial and error using machines, they can try different ways of scheduling jobs and automatically figure out which strategy is better than others,” says Hongzi Mao, a student in the university’s Department of Electrical Engineering and Computer Science, in the article. “Any slight improvement in utilization, even 1%, can save millions of dollars and a lot of energy.”
这有什么错当今数据中心的算法雷竞技电脑网站
与在同一时间运行在数千台服务器的任务的当前算法的问题是，他们不是很有效。从理论上讲，他们是应该的，但由于工作量（任务组合）的变化，人类涉足扭捏性能的资源，比方说，可能需要工作之间共享，或者有些工作可能需要执行比其他 - 快but humans can’t handle the range or scope of the edits; the job is just too big.
在手动编辑的调度人类深不可测的排列可以包括以下事实：已完成其工作下级节点（较小的计算任务）不能开始工作，直到上层节点（更大，更功率要求计算任务）。它得到高度复杂的分配计算资源，科学家们解释。
Decima公司，麻省理工学院的系统，可以处理节点和边缘的动态图形（表示）（边连接节点，连接任务），学校说。而在此之前一直无法与RL因为RL一直无法理解的图表以及足够的规模化。
“传统的RL系统不习惯处理这样的动态图，”MIT说。
麻省理工学院的图形导向人工智能不同于其他形式的人工智能，后者更常用在图像上。例如，机器人通过处理图像和获得正确的奖励信号来学习不同场景中物体之间的区别。
类似的，虽然，图像呈现给机器人，在Decima的系统工作负载被模仿，直到系统，通过接收AI奖励信号，提高了它的决定。一种特殊的基线（比较历史）的然后帮助Decima的弄清楚哪些行为是好的，哪些是不好的，甚至当工作负荷序列仅仅是由于工作结构放缓都记录下来的并发症供应不良奖励信号。这基线是在MIT系统的关键区别。
“Decima公司可以找到[调度]优化这简直太繁重通过人工设计/调节的过程来实现的机会，”阿迪亚Akella，教授在美国威斯康星大学麦迪逊分校，麻省理工学院的一篇文章中说。队伍里有已经开发了许多高性能的调度。“Decima公司可以走得更远了一步，” Akella说。