2020欧洲杯预赛运行的人工智能（AI）的数据中心将是显著比用手工编辑算法时间表那些操作更有效，专家们说，在麻省理工学院。研究人员也表示，他们已经开发出一种自动化调度程序，速度达20％或30％群集作业，甚至更快（2倍）的高峰期。
这所学校的人工智能工作调度程序致力于一种名为“强化学习”(RL)的人工智能。这是一种基于试错的机器学习方法，它根据特定集群中的实际工作负载修改调度决策。如果运用得当，人工智能可能会取代目前最先进的方法——算法。它们通常必须由人类进行微调，从而引入低效率。
“这个系统可以让数据中心用更少的资源以更快的速度处2020欧洲杯预赛理相同的工作负载，”学校在一篇与该技术相关的新闻文章中说。麻省理工学院的研究人员说，RL的数据中心适应的形式，可以2020欧洲杯预赛彻底改变操作。
该校电子工程与计算机科学系的学生毛宏梓(音译)在文章中表示:“如果你有一种使用机器进行反复试验的方法，它们可以尝试不同的工作安排方式，并自动找出哪种方法更好。”“利用率的任何微小改进，哪怕是1%，都可以节省数百万美元和大量能源。”
今天的数据中心算法出了什么问题2020欧洲杯预赛
当前在数千台服务器上同时运行任务的算法的问题是它们的效率不是很高。理论上应该如此，但是由于工作负载(任务组合)是不同的，人类会参与调整性能—例如，资源可能需要在不同的作业之间共享，或者某些作业可能需要比其他作业执行得更快—但是人类无法处理编辑的范围或范围;这份工作太大了。
对于人工编辑调度中的人类来说，难以理解的排列可能包括这样一个事实:较低的节点(较小的计算任务)无法开始工作，直到较高的节点(较大、需要更多电力的计算任务)完成其工作。科学家们解释说，分配计算资源变得非常复杂。
麻省理工学院称，该系统可以处理节点和边(边连接节点，连接任务)的动态图(表示)。这在RL之前是不可能的因为RL还不能很好地理解这个图。
“传统的RL系统不习惯这样处理动态图形，”麻省理工学院说。
麻省理工学院的图形人工智能不同于其他更常用的图像人工智能。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下物体之间的差异。
然而，与向机器人展示图像类似，Decima系统中的工作负载也会被模仿，直到系统通过接收人工智能的奖励信号来改善其决策。一种特殊的基准(与历史相比较)可以帮助Decima分析出哪些行为是好的，哪些是坏的，即使由于工作结构的复杂性导致工作效率降低，工作负载序列也只能提供糟糕的回报信号。基线化是MIT系统的一个关键区别。
威斯康辛大学麦迪逊分校(University of Wisconsin at Madison)教授Aditya Akella在麻省理工学院的那篇文章中写道:“Decima可以找到机会进行(调度)优化，而这些优化工作过于繁琐，很难通过手工设计/调优过程来实现。”那里的团队已经开发了许多高性能的调度程序。“黛西玛可以更进一步，”阿克雷说。