Tekoäly ja datakeskukset: miksi energiatehokkuus ja skaalautuvuus ratkaisevat

Kun käytät ChatGPT:tä, Geminiä tai mitä tahansa muuta tekoälypalvelua, pyyntösi kulkee jonkun palveluntarjoajan datakeskukseen, jossa se käsitellään grafiikkasuorittimilla (GPU) tai muilla tekoälylle optimoiduilla piireillä. Tämä artikkeli selittää yleistajuisesti, miksi tekoäly kuormittaa datakeskuksia eri tavalla kuin perinteiset verkkosovellukset, ja mitä tämä tarkoittaa käytännössä yritykselle, joka harkitsee tekoälyn käyttöönottoa tai omaa laskentakapasiteettia.

Miksi tekoäly kuluttaa enemmän resursseja kuin perinteinen IT

Tavallinen verkkopalvelin, joka käsittelee esimerkiksi verkkokaupan tilauksia, tekee suhteellisen kevyitä laskutoimituksia. Suuren kielimallin kouluttaminen tai ajaminen on eri luokan tehtävä: se vaatii tuhansia rinnakkain toimivia grafiikkasuorittimia, jotka käyvät täydellä teholla pitkiä aikoja. Tästä syystä tekoälyn energiankulutus on merkittävästi suurempi kuin perinteisen tietojenkäsittelyn – kyse ei ole marginaalisesta erosta vaan kokoluokkahypystä.

Käytännön tasolla tämä näkyy kahdella tavalla:

• Laitteistotarve on erilainen. Tekoäly vaatii GPU-klustereita, nopeita NVMe-tallennusratkaisuja ja usein myös erikoistuneita piirejä kuten TPU:ita (Tensor Processing Unit), jotka on suunniteltu nimenomaan koneoppimislaskentaan.
• Jäähdytystarve kasvaa. Tekoälypiirit tuottavat huomattavasti enemmän lämpöä tehoyksikköä kohden kuin tavalliset palvelinsuorittimet, minkä vuoksi perinteinen ilmajäähdytys ei enää riitä suurimmissa asennuksissa.

Jäähdytys on noussut strategiseksi kysymykseksi

Datakeskusala on siirtymässä yhä enemmän nestejäähdytykseen, jossa jäähdytysneste kuljetetaan suoraan lähelle suoritinta tai jopa suoraan sen pinnalle. Tämä on huomattavasti tehokkaampaa kuin perinteinen ilmajäähdytys, ja äärimmäisimmillään palvelimet voidaan upottaa kokonaan erikoisnesteeseen (immersiojäähdytys). Samalla monet datakeskukset pyrkivät hyödyntämään syntyvän hukkalämmön esimerkiksi kaukolämpöverkoissa – Suomessa tästä on useita julkisia esimerkkejä, joissa datakeskuksen ylijäämälämpöä on ohjattu asuinalueiden lämmitykseen.

Energiatehokkuus ei ole datakeskusalalla enää pelkkä ympäristökysymys, vaan suoraan kustannuksiin vaikuttava tekijä: sähkö on merkittävä osa suuren datakeskuksen käyttökuluja, joten jokainen prosenttiyksikkö parempaa energiatehokkuutta näkyy suoraan tuloksessa.

Skaalautuvuus: miksi kiinteä kapasiteetti ei enää riitä

Tekoälytyökuormien vaihtelu voi olla suurta lyhyelläkin aikavälillä – koulutusajo saattaa tarvita valtavan määrän laskentatehoa muutaman viikon ajan, minkä jälkeen tarve laskee merkittävästi. Tämä on eri tilanne kuin perinteinen verkkopalvelin, jonka kuorma pysyy suhteellisen tasaisena. Vastauksena tähän datakeskusala on kehittänyt useita joustavampia malleja:

• Modulaariset datakeskukset, jotka voidaan rakentaa ja ottaa käyttöön esivalmistetuista osista huomattavasti nopeammin kuin perinteinen datakeskus.
• Reunalaskenta (edge computing), jossa osa laskennasta siirretään lähemmäs käyttäjää tai datalähdettä, mikä vähentää viivettä ja verkon kuormitusta.
• Hajautetut laskentaklusterit, joissa kuormaa jaetaan dynaamisesti useiden fyysisesti erillään olevien resurssien kesken.

Oma infrastruktuuri vai vuokrattu kapasiteetti?

Useimmille yrityksille – myös suurille – oman GPU-klusterin rakentaminen ei ole taloudellisesti järkevää, koska investointi on suuri ja tekniikka kehittyy nopeasti. Tästä syystä suurin osa tekoälyä hyödyntävistä yrityksistä käyttää pilvipalveluita tai monikäyttöisiä datakeskuksia (Multi-Tenant Data Center, MTDC), joissa laskentakapasiteettia vuokrataan tarpeen mukaan. Tämä toimintamalli, joka tunnetaan usein nimellä "AI as a Service", madaltaa kynnystä ottaa tekoäly käyttöön, koska yritys maksaa vain käyttämästään kapasiteetista eikä joudu tekemään massiivista alkuinvestointia laitteistoon.

Kysymys "rakentaa vai vuokrata" kannattaa ratkaista seuraavien kysymysten avulla:

1. Onko tekoälyn käyttö yrityksessä jatkuvaa ja ennustettavaa, vai vaihteleeko tarve voimakkaasti?
2. Onko käsiteltävä data niin arkaluonteista, että sen sijainnilla ja hallinnalla on erityismerkitystä (esimerkiksi terveys- tai finanssidata)?
3. Onko organisaatiossa osaamista ylläpitää omaa infrastruktuuria, vai olisiko se pois ydinliiketoiminnasta?

Useimmille pk-yrityksille vastaus on selvä: vuokrattu kapasiteetti pilvipalvelun tai erikoistuneen tekoälypalvelun kautta on huomattavasti järkevämpi lähtökohta kuin oman laitteiston hankinta.

Mitä tästä pitää muistaa yrityksen näkökulmasta

Datakeskusten teknisiin yksityiskohtiin ei tarvitse syventyä syvällisesti hyötyäkseen tekoälystä, mutta muutama asia kannattaa ymmärtää:

• Tekoälypalveluiden hinnoittelu heijastaa taustalla olevan laskentatehon todellisia kustannuksia – siksi hinnat vaihtelevat mallin koon ja käyttötavan mukaan.
• Palveluntarjoajan valinnassa kannattaa kiinnittää huomiota myös siihen, missä data fyysisesti sijaitsee ja käsitellään, erityisesti jos kyse on henkilötiedoista tai muuten arkaluonteisesta datasta.
• Energiatehokkuus ja vastuullisuus ovat yhä useammalle yritysasiakkaalle myös hankintakriteeri, ei vain kustannuskysymys.

Yhteenveto

Tekoäly on muuttanut datakeskusalaa perustavanlaatuisesti: laitteistovaatimukset, jäähdytysratkaisut ja skaalautuvuustarpeet ovat kaikki toisenlaisia kuin perinteisessä IT-infrastruktuurissa. Yritykselle tämä näkyy käytännössä siinä, että tekoälypalveluiden hinnoittelu ja saatavuus riippuvat suoraan siitä, miten hyvin taustalla oleva infrastruktuuri pystyy vastaamaan kysyntään. Useimmille yrityksille paras strategia on hyödyntää valmista, vuokrattavaa laskentakapasiteettia oman infrastruktuurin rakentamisen sijaan.

Usein kysyttyä

Pitääkö pk-yrityksen huolehtia datakeskusten energiankulutuksesta? Suoraan ei, jos käytät valmiita pilvipohjaisia tekoälypalveluita. Epäsuorasti kyllä: energiatehokkuus vaikuttaa palveluntarjoajan hinnoitteluun ja voi olla myös osa omaa vastuullisuusviestintää valittaessa kumppaneita.

Kannattaako pieni yritys koskaan harkita omaa GPU-laitteistoa? Harvoin. Poikkeuksena ovat tilanteet, joissa tekoälyn käyttö on jatkuvaa, suurta ja ennustettavaa, tai joissa datan on ehdottomasti pysyttävä omissa tiloissa esimerkiksi turvallisuussyistä.