De groei van AI vergroot de druk op energie, water en ruimte. Tegelij­ker­tijd veran­deren de chips en toepas­singen sneller dan de infra­struc­tuur die ze moet onder­steunen. Hoe ontwerpen we AI-voorzie­ningen die passen bij een concrete behoefte, kunnen meebe­wegen met nieuwe techno­logie en in de praktijk op hun presta­ties worden beoordeeld?

De bericht­ge­ving van de NOS over de groei­ende milieu­druk van AI stelt een belang­rijke vraag: wie profi­teert van de groei van kunst­ma­tige intel­li­gentie en waar komen de gevolgen terecht? De NOS beschrijft hoe het toene­mende gebruik van AI leidt tot meer vraag naar stroom, water en grond­stoffen. De baten en lasten zijn boven­dien wereld­wijd ongelijk verdeeld. Effici­ën­tere techno­logie kan de belas­ting per taak vermin­deren, maar kan AI ook goedkoper en aantrek­ke­lijker maken, waardoor het gebruik verder groeit. Effici­ëntie per toepas­sing betekent dus niet automa­tisch dat het totale verbruik daalt.

Die discussie gaat vaak over de omvang van AI en de middelen die zij verbruikt. Minstens zo belang­rijk is de vraag hoe we de voorzie­ningen achter AI ontwerpen. Welke toepas­sing willen we onder­steunen? Welke infra­struc­tuur past daarbij? Hoe houden we rekening met energie, koeling en water, en hoe voorkomen we dat een nieuwe generatie hardware een complete herbouw noodza­ke­lijk maakt?

Dat zijn geen vragen voor achteraf. Ze horen aan het begin van een project op tafel te liggen, wanneer organi­sa­ties nog keuzes kunnen maken over de toepas­sing, de locatie en de techni­sche inrichting.

AI is digitaal in gebruik, maar fysiek in de uitvoering

Voor een gebruiker lijkt AI vaak eenvoudig: een vraag invoeren en een antwoord ontvangen. Achter die inter­actie staat een fysieke keten van chips, servers, elektri­ci­teits­voor­zie­ning, koeling, verbin­dingen, gebouwen en grondstoffen.

De eisen aan die keten verschillen per toepas­sing. Een systeem dat medewer­kers helpt interne documenten te doorzoeken, vraagt iets anders dan een toepas­sing die continu gegevens verwerkt of direct moet reageren. Ook de gevoe­lig­heid van gegevens, de beschik­baar­heids­eisen, de locatie van de verwer­king en de verwachte groei zijn van invloed op het ontwerp.

Daarom hoort een AI-project niet te beginnen met de vraag welke GPU het krach­tigst is. De eerste vraag is: welk probleem willen we oplossen en welke middelen zijn daarvoor nodig?

Dat vraagt om vroeg­tij­dige samen­wer­king tussen de organi­satie die AI wil inzetten, de ontwik­ke­laars van de toepas­sing, de beheer­ders en de partijen die de infra­struc­tuur en energie­voor­zie­ning leveren. Wanneer ieder onder­deel afzon­der­lijk wordt ontworpen, kan een oplos­sing op één punt goed presteren maar als geheel onnodig zwaar, kostbaar of moeilijk te beheren worden.

Efficiëntie vraagt om meer dan een goede PUE

Power Usage Effec­ti­ve­ness (PUE) is een nuttige indicator om de energie-effici­ëntie van een datacenter te volgen. De maatstaf verge­lijkt het totale energie­ver­bruik van de facili­teit met het energie­ver­bruik van de IT-appara­tuur. Maar PUE vertelt niet op zichzelf of een AI-voorzie­ning als geheel goed is ontworpen. De maatstaf laat bijvoor­beeld niet zien hoe goed de koeling past bij de gebruikte servers, hoe gemak­ke­lijk de infra­struc­tuur kan worden aange­past aan nieuwe hardware of wat de gevolgen zijn voor water en energie op een speci­fieke locatie.

In een recente bijdrage voor Forbes Techno­logy Council wordt daarom gepleit om bij AI-datacen­ters verder te kijken dan PUE. De auteur benoemt onder meer de aanpas­baar­heid aan snel veran­de­rende AI-hardware, de volle­dige route waarlangs warmte van de chip naar buiten de facili­teit wordt afgevoerd en de lokale omstan­dig­heden rond stroom, water en klimaat. Ook vraagt de bijdrage aandacht voor de samen­hang tussen IT, elektri­ci­teits­voor­zie­ning en koeling: die onder­delen afzon­der­lijk optima­li­seren levert niet vanzelf de beste prestatie voor het hele systeem.

Die visie sluit aan bij de vraag die de NOS stelt. De NOS maakt de maatschap­pe­lijke druk en de ongelijke verde­ling van gevolgen zicht­baar; de Forbes-bijdrage helpt die discussie te vertalen naar techni­sche ontwerp­vragen. De Forbes-bijdrage is een opinie­stuk van een lid van de Forbes Techno­logy Council en biedt een industrieel perspec­tief. We gebruiken haar als relevante ontwerp­visie, niet als onafhan­ke­lijke validatie van een speci­fieke oplossing.

Ontwerpen voor verandering

AI-hardware en software veran­deren snel. De infra­struc­tuur die ze onder­steunt, wordt doorgaans voor een langere periode ontworpen en gebruikt. Dat verschil vraagt om een ontwerp dat rekening houdt met verandering.

Dat betekent nadenken over modulaire opbouw, onder­houd­baar­heid en de aanslui­ting tussen IT-systemen en de techni­sche voorzie­ningen eromheen. Als servers worden vervangen, moet dan ook de rest van de omgeving ingrij­pend worden aange­past? Kunnen verschil­lende toepas­singen naast elkaar draaien? Is de capaci­teit afgestemd op het verwachte gebruik, met voldoende ruimte voor pieken en groei?

Het doel is niet de toekomst precies voorspellen. Het doel is keuzes maken die aanpas­sing mogelijk maken zonder telkens het hele systeem opnieuw te bouwen. Daarbij past het principe less is more: niet maximale capaci­teit als vanzelf­spre­kend uitgangs­punt, maar de middelen inzetten die passen bij de toepas­sing en de gewenste prestaties.

Een compacte of energie­zui­nige voorzie­ning is overi­gens niet automa­tisch de beste oplos­sing. Zij moet ook betrouw­baar, veilig en onder­houd­baar zijn en voldoen aan de eisen van de toepas­sing. De presta­ties moeten in de praktijk worden getoetst.

SOLOAI als ontwerp- en ontwikkelopgave

SOLOAI is een concrete uitwer­king van deze ontwer­puit­da­ging. Het concept richt zich op modulaire AI-infra­struc­tuur, met aandacht voor inference, flexi­bi­li­teit en het vervangen van IT-genera­ties zonder grote aanpas­singen aan de volle­dige voorziening.

Daarbij hoort een duide­lijke systeem­grens. De AI-unit bevat de infra­struc­tuur die nodig is om de IT veilig en passend te laten functi­o­neren. Energie­op­wek­king, batte­rij­op­slag en noodstroom worden centraal buiten de unit gefaci­li­teerd en via een externe aanslui­ting gekop­peld. Zo kan de unit deel uitmaken van een groter energie­sys­teem, zonder al die functies in dezelfde behui­zing onder te brengen.

De keuze voor koeling kan niet los worden gezien van de servers, vermo­gens­dicht­heid, beschik­bare ruimte en locatie. Ook het vermogen dat pompen, venti­la­toren en andere onder­delen gebruiken, de warmte­af­voer en de regel­tech­niek spelen mee. De hele keten moet daarom als één systeem worden bekeken.

Dat zijn ontwer­puit­gangs­punten en ontwik­kel­vragen; ze zijn geen bewijs dat alle presta­ties al zijn aange­toond. In een demon­stratie moet blijken hoe de voorzie­ning zich gedraagt bij wisse­lende belas­ting, welke koelcon­fi­gu­ratie past bij de gekozen IT en hoe de omgeving reageert wanneer hardware wordt vervangen. Ook moet duide­lijk worden welke aannames stand­houden en welke aanpas­sing vragen.

De locatie maakt deel uit van het ontwerp

Een AI-voorzie­ning staat nooit los van haar omgeving. De beschik­bare netca­pa­ci­teit, de energie­voor­zie­ning, de ruimte, de koelme­thoden en de eventuele aanwe­zig­heid van een warmte­af­nemer beïnvloeden wat haalbaar en verstandig is.

Daarom moet locatie­keuze op meer gebaseerd zijn dan beschik­bare grond of vastgoed. Past de verwachte belas­ting bij het lokale energie­sys­teem? Is het mogelijk om vraag flexibel te plannen? Kan restwarmte daadwer­ke­lijk worden benut, en is die warmte beschik­baar op de juiste tempe­ra­tuur en het juiste moment? Wat betekent het ontwerp voor water­ge­bruik en voor de omgeving?

Ook de keuze tussen verwer­king in de cloud, regio­naal of lokaal kent geen univer­seel antwoord. De juiste keuze verschilt per toepas­sing. Een verge­lij­king moet daarom kijken naar de hele dienst­ver­le­ning: presta­ties, kosten, beschik­baar­heid, beheer en de middelen die nodig zijn om de oplos­sing te laten functioneren.

De NOS wijst erop dat de gevolgen van AI-infra­struc­tuur lokaal voelbaar kunnen zijn. Datacen­ters gebruiken bijvoor­beeld water voor koeling, terwijl de beschik­baar­heid van water per regio verschilt. Daardoor vertellen algemene gemid­delden niet het hele verhaal: de plaats en omstan­dig­heden doen ertoe.

Samenwerking van toepassing tot uitvoering

Een ontwerp wordt pas bruik­baar als de benodigde exper­tise samen­komt. Binnen de Sustai­nable Perfor­mance Alliance (SPA) werken Hightech Innova­tors, Blis Digital, Zirrow en Sciante samen. De samen­wer­king kan een plek bieden waar techni­sche infra­struc­tuur, digitale oplos­singen, meting en analyse rond een concrete praktijkop­gave worden verbonden.

De waarde zit in de gezamen­lijke aanpak: beginnen bij een vraag van een organi­satie, bepalen welke toepas­sing daarbij past en vervol­gens onder­zoeken welke infra­struc­tuur nodig is en hoe die in de praktijk gevolgd kan worden.

De precieze verant­woor­de­lijk­heden moeten per project worden afgesproken. Wie levert het ontwerp? Wie bouwt de toepas­sing? Wie verza­melt gegevens? Wie beoor­deelt de resul­taten? Heldere rollen maken samen­wer­king werkbaar en voorkomen dat verwach­tingen verder gaan dan wat een project daadwer­ke­lijk kan aantonen.

Meten om te leren en bij te sturen

In mijn eerdere DCpedia-artikel, De werke­lijke prijs en waarde van AI, beschreef ik waarom AI niet alleen op kosten of energie­ver­bruik moet worden beoor­deeld. Ook de kwali­teit van de resul­taten, de benut­ting van hardware en de waarde van de toepas­sing tellen mee. Dit vervolg gaat over de volgende stap: hoe volgen we of een ontworpen voorzie­ning in de praktijk werkt zoals bedoeld?

Daar kan Zirrow aan bijdragen door infor­matie uit verschil­lende onder­delen van de omgeving samen te brengen. Denk aan gegevens over infra­struc­tuur, hardwa­re­ge­bruik en de werking van toepas­singen. Zo kunnen betrok­kenen zien hoe de omgeving zich gedraagt en waar bijstu­ring of nader onder­zoek nodig is.

Een dashboard maakt een systeem niet vanzelf duurzamer. De waarde ontstaat wanneer mensen de infor­matie gebruiken om beslis­singen te nemen: een confi­gu­ratie aanpassen, capaci­teit anders plannen of een aanname opnieuw beoor­delen. Daarbij moeten metingen en schat­tingen herken­baar van elkaar gescheiden blijven. Ook moet duide­lijk zijn welke delen van de keten wel en niet worden meegenomen.

Niet elk effect is direct te meten en niet elke uitkomst is aan één onder­deel toe te schrijven. Heldere meetme­thoden en herhaal­bare praktijk­proeven zijn daarom belang­rijk. Ze maken zicht­baar wat de gegevens wel aantonen, waar onzeker­heid blijft bestaan en welke conclu­sies nog niet kunnen worden getrokken.

Lessen delen met Save Energy Foundation

Stich­ting Save Energy Founda­tion kan bijdragen aan het breder delen van kennis over efficiënt gebruik van energie en digitale infra­struc­tuur. Ervaringen uit praktijk­pro­jecten kunnen worden vertaald naar lessen voor organi­sa­ties, beleids­ma­kers en andere betrokkenen.

Daar horen ook resul­taten bij die tegen­vallen. Welke ontwerp­keuzes werkten? Welke aannames bleken onjuist? Welke effecten konden niet worden vastge­steld? En wat vraagt vervolg­on­der­zoek? Wanneer alleen de successen worden gedeeld, leert de sector minder.

De verschil­lende rollen van de stich­ting en de betrokken bedrijven moeten daarbij trans­pa­rant zijn. Het moet duide­lijk zijn wanneer sprake is van commer­ciële ontwik­ke­ling, maatschap­pe­lijke kennis­de­ling of onafhan­ke­lijke beoor­de­ling. Zo weten deelne­mers en lezers hoe de infor­matie tot stand komt en welke belangen een rol spelen.

Toegang, verdeling en maatschappelijke waarde

De NOS vestigt ook de aandacht op de ongelijke verde­ling van AI-reken­kracht en de baten en lasten van AI. De uitda­ging is dus groter dan de vraag hoe we een effici­ënte voorzie­ning bouwen. We moeten ook nadenken over wie toegang krijgt tot AI, wie de waarde ervan kan benutten en waar de ecolo­gi­sche gevolgen terechtkomen.

Een regio­nale of modulaire voorzie­ning lost die verde­lings­vraag niet vanzelf op. Daarvoor zijn keuzes nodig over toegang, gebruik, dienst­ver­le­ning en opbreng­sten. Wel kan infra­struc­tuur die dichter bij gebrui­kers en toepas­singen staat een basis bieden om andere vormen van samen­wer­king te onder­zoeken, zoals het gezamen­lijk gebruiken van capaciteit.

Ook die mogelijk­heden moeten in de praktijk worden getoetst. Een uitkomst in één omgeving is niet zonder meer toepas­baar op een andere. De locatie, de toepas­sing, de confi­gu­ratie en de afspraken over gebruik bepalen mede wat de resul­taten betekenen.

Begin met een concrete praktijkvraag

De volgende stap is geen algemene belofte dat AI duurzaam kan worden gemaakt. De volgende stap is een afgeba­kende praktijk­vraag kiezen en die zorgvuldig onderzoeken.

Een bedrijf, gemeente, zorgin­stel­ling of kennis­or­ga­ni­satie kan bijvoor­beeld een toepas­sing aandragen waarvan het nut duide­lijk is, maar waarvan de juiste inrich­ting nog niet vaststaat. Betrokken partijen kunnen dan samen bepalen welke infra­struc­tuur nodig is, welke eisen gelden voor presta­ties en beheer, hoe het gebruik wordt gevolgd en welke resul­taten na afloop worden geëvalueerd.

Zo’n project levert niet alleen techni­sche infor­matie op. Het kan ook laten zien hoe organi­sa­ties samen­werken, waar besluit­vor­ming vastloopt en welke randvoor­waarden nodig zijn om een toepas­sing verant­woord in gebruik te nemen.

De lessen zijn pas overdraag­baar wanneer ook de context wordt beschreven: de locatie, de toepas­sing, de gebruikte confi­gu­ratie en de grenzen van de metingen. Dan kunnen andere organi­sa­ties beoor­delen wat voor hun eigen situatie relevant is.

AI vormgeven met bewuste keuzes

AI zal zich verder ontwik­kelen en het gebruik zal waarschijn­lijk groeien. Dat maakt het verlei­de­lijk om vooral te focussen op meer capaci­teit en snellere hardware. Maar groei alleen vertelt niet of we de juiste toepas­singen kiezen, of de voorzie­ningen goed ontwerpen en of de voordelen opwegen tegen de middelen die ze vragen.

De vraag is hoe we AI-capaci­teit bouwen die aansluit op concreet gebruik, kan meebe­wegen met veran­de­ringen en in de praktijk kan worden beoor­deeld. Daarvoor zijn goed ontwerp, uitvoe­ring, meting en samen­wer­king nodig.

Met SOLOAI willen we bijdragen aan modulaire AI-infra­struc­tuur die rekening houdt met die vragen. Binnen SPA brengen Hightech Innova­tors, Blis Digital, Zirrow en Sciante exper­tise samen rond praktijkop­gaven. Zirrow kan helpen volgen hoe een omgeving functi­o­neert. Stich­ting Save Energy Founda­tion kan bijdragen aan het delen van lessen en het bredere gesprek over efficiënt gebruik van digitale technologie.

De uitno­di­ging is om deze aanpak samen te beproeven: met een concrete toepas­sing, duide­lijke afspraken over rollen en meetgrenzen, en ruimte om te leren van wat wel en niet werkt. Zo verschuift het gesprek van de algemene belofte van AI naar de keuzes waarmee we AI daadwer­ke­lijk vormgeven.