File size: 3,194 Bytes
a337311 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 | # ❄️ 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:** `Matplotlib` y `Gradio` (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:
1. **Anticipación:** El agente aprende a enfriar *antes* de que la temperatura sea crítica.
2. **Eficiencia:** Evita el uso del modo "Turbo" a menos que sea estrictamente necesario.
3. **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!* 👆 |