Implementar esto efectivamente tiene poco que ver con la arquitectura NN en sí. La estrategia general de optimización es más importante, al principio.
El aprendizaje automático en general se ha utilizado mucho para mejorar la eficiencia del centro de datos. Algunos optimizan el servidor de destino, otros optimizan el HVAC, y algunos ambos (prediciendo el uso del servidor y el rendimiento del sistema de enfriamiento). DeepMind está usando NN (svm, y también se pueden usar otros métodos de optimización), pero no sabemos exactamente cómo los está usando. La estrategia general de optimización es desconocida.
¿Cuáles son las variables optimizadas? ¿Qué sensores se están mirando? ¿Qué tipo de sistema de enfriamiento se está utilizando? ¿Se está utilizando energía renovable? ¿Los datos se enrutan geográficamente en función de dónde se encuentra la energía más renovable en ese momento? ¿El sistema de enfriamiento tiene capacidad de almacenamiento? ¿Cómo se equilibra el rendimiento del servidor y la eficiencia de enfriamiento? ¿Está segmentando los NN para realizar tareas específicas o es uno agrupado en una gran red? Si está segmentado, ¿cómo está estructurado?
- ¿Quién ha explorado las aplicaciones del modelo Word2vec en datos que no sean lenguajes naturales?
- ¿Qué matemáticas se necesitan para este curso de aprendizaje automático?
- ¿Por qué la regresión logística se considera un modelo lineal?
- ¿Cuál es la diferencia entre Deep Autoencoders y Deep Belief Networks?
- ¿Cómo se aplica la validación cruzada a la regresión logística? Quiero evaluar la precisión de un modelo de regresión logística en un conjunto de datos.
Estas son las preguntas que debe hacer primero antes de implementar esto. Estoy seguro de que puede obtener una optimización decente sin los algoritmos de DeepMinds (aunque estoy seguro de que ayuda). TensorFlow probablemente proporcionará predicciones correctas para comenzar. Una vez que tenga una buena estrategia, puede preocuparse por hacer la mejor arquitectura para hacer predicciones de estado precisas.