❄️ AI Cooling System Optimization Agent
🤖 Un agente de Aprendizaje por Refuerzo (RL) para la eficiencia energética
📖 Descripción del Proyecto
Este proyecto nació de mi fascinación por el documental The Thinking Game y el trabajo de DeepMind. Inspirado en cómo lograron reducir el consumo energético de los Data Centers de Google en un 40%, decidí crear mi propia simulación a escala utilizando Aprendizaje por Refuerzo (Reinforcement Learning).
El objetivo es simple pero desafiante: entrenar a una Inteligencia Artificial para que controle el sistema de refrigeración de un servidor, manteniendo la temperatura en un rango seguro (37°C - 60°C) mientras minimiza el gasto de energía eléctrica.
🧠 ¿Cómo funciona?
He diseñado un entorno personalizado (Custom Environment) que simula la termodinámica básica de un servidor bajo estrés.
- El Agente: Un modelo entrenado con el algoritmo PPO (Proximal Policy Optimization).
- El Desafío: El servidor recibe cargas de tráfico aleatorias (simulando usuarios en internet) que elevan la temperatura.
- Las Acciones: El agente decide entre 5 niveles de potencia de refrigeración (desde Apagado hasta Turbo Industrial).
- La Lógica (Reward Function):
- ✅ Recompensa (+5): Mantener la temperatura en el rango óptimo (37-60°C).
- ❌ Penalización (-2): Salirse del rango seguro.
- ⚠️ Castigo Severo (-50): Permitir que el servidor se sobrecaliente (>80°C).
- 📉 Optimización (-Energy): Se penaliza levemente el uso excesivo de energía para forzar al agente a ser eficiente.
🛠️ Tecnologías Utilizadas
Este proyecto fue desarrollado en Google Colab y desplegado en Hugging Face Spaces.
- Lenguaje: Python
- Entorno:
Gymnasium(para crear la simulación física). - Algoritmo:
Stable-Baselines3(implementación de PPO). - Visualización:
MatplotlibyGradio(para la interfaz web interactiva).
🚀 Resultados
El modelo final ha superado pruebas de estrés con cargas de CPU simuladas de alta intensidad (niveles 6-8), logrando:
- Anticipación: El agente aprende a enfriar antes de que la temperatura sea crítica.
- Eficiencia: Evita el uso del modo "Turbo" a menos que sea estrictamente necesario.
- Estabilidad: Mantiene la temperatura dentro del rango verde el 90% del tiempo de operación.
👨💻 Sobre el Autor
Soy un Data Scientist y futuro ML Engineer en formación constante. Actualmente cursando una Maestría en Analítica de Datos y profundizando en el ecosistema de Google Cloud Platform (GCP).
Este proyecto es parte de mi ruta de aprendizaje para dominar las tecnologías que moldearán el futuro de la infraestructura inteligente.
Este proyecto es de código abierto bajo la licencia MIT. ¡Siéntete libre de probar la demo arriba! 👆