Hvordan kunstig intelligens hjelper datasentre å spare energi og vann

Bak enhver nettsky, strømmetjeneste og AI-modell finnes enorme datasentre – store bygninger fulle av servere som må holdes kjølige for å fungere. Det mange ikke vet, er at kjølingen av disse anleggene krever store mengder både energi og vann. Selv små forbedringer i hvordan man styrer klimaet inne i datasentrene, kan derfor bety store besparelser for både miljø og økonomi.

Hvorfor fuktighet er så viktig

Fuktighet høres kanskje trivielt ut, men den spiller en avgjørende rolle. Er luften for tørr, kan det oppstå statisk elektrisitet (ESD) som skader følsom elektronikk. Er den for fuktig, kan det oppstå kondens og korrosjon på kretskort og metallkomponenter. Begge deler kan føre til nedetid og dyre reparasjoner.

Derfor prøver datasentre å holde fuktigheten innenfor et snevert og stabilt område. Men dette krever styring av kjøling, luftfuktere og avfuktere – prosesser som igjen bruker både strøm og vann. Jo mer presist man kan forutsi hvordan luftfuktigheten vil utvikle seg, jo mer effektivt kan systemene jobbe.

Fra statistikk til kunstig intelligens

I en fersk studie av Dr. Theophano Mitsa (2025) ble ulike metoder for å forutsi fuktighet testet på et stort klimadatasett fra Delhi, India. Målet var å finne ut hvilke modeller som gir de mest nøyaktige prognosene – og dermed det største potensialet for energibesparelser.

Forskerne testet både klassiske og moderne metoder:

• Klassiske modeller som AutoARIMA og Prophet, som ser på mønstre over tid.
• Maskinlæringsmodeller som Random Forest og XGBoost, som bruker mange datapunkter og kan fange opp mer komplekse sammenhenger.
• Avanserte AI-modeller som N-BEATS og en Mixture of Experts (MoE) – en kombinasjon av flere “ekspert”-modeller, inkludert en Transformer (Chronos) som er spesielt god til å oppdage mønstre i sekvensdata.

Hva viste resultatene?

Forskjellene mellom modellene var tydelige. Mens de enkleste statistiske metodene gjorde en grei jobb for kortsiktige estimater, var det de mer avanserte modellene som virkelig leverte presisjon over tid.

• Mixture of Experts (MoE) var best i testen, med lavest feil (MSE ≈ 45,5).
• XGBoost kom på andreplass (MSE ≈ 57,5) og ble trukket fram som en god balanse mellom nøyaktighet og effektivitet – særlig nyttig på mindre eller strømsvake systemer.
• Prophet slo AutoARIMA og viste at enkle, åpne modeller fortsatt kan gi solide resultater.
• Random Forest slet mest, mens N-BEATS og NeuralProphet havnet midt på treet.

Et annet viktig poeng var hvordan modellenes usikkerhet håndteres. I stedet for å gi bare én tallverdi for fremtidig fuktighet, beregnet forskerne såkalte prediksjonsintervaller – et realistisk spenn der den faktiske verdien sannsynligvis vil havne. Dette ble gjort ved hjelp av en teknikk kalt conformal prediction, som justerer intervallene slik at de dekker omtrent riktig andel av virkelige observasjoner. For MoE-modellen traff intervallet hele 97 % av gangene.

Hvorfor dette betyr noe

For et datasenter betyr bedre fuktighetsprognoser at kjølesystemene kan justeres i forkant i stedet for å reagere etterpå. Det gir:

• Mindre energiforbruk – kjøleanleggene jobber bare når de må.
• Mindre vannforbruk – fuktere og avfuktere brukes mer presist.
• Lengre levetid for utstyret – færre korrosjons- og ESD-skader.
• Lavere kostnader og mindre miljøavtrykk.

Selv små prosentvise forbedringer i styringen kan gi store besparelser over tid. Og når kunstig intelligens hjelper datasentre å bruke ressurser smartere, bidrar det ikke bare til lavere driftskostnader, men også til en mer bærekraftig digital infrastruktur.

Et skritt mot grønnere teknologi

Dr. Mitsa sin forskning viser hvordan dataanalyse og AI ikke bare handler om tall og koder, men om praktiske løsninger som kan redusere klodens energifotavtrykk. Fra klassiske modeller til avanserte Mixture of Experts-systemer ser vi at teknologien nå kan hjelpe oss med å balansere ytelse, kostnad og bærekraft.

For de som ønsker å fordype seg i de tekniske detaljene – inkludert kode, grafer og full modellgjennomgang – anbefales originalartikkelen: “From Classical Models to AI: Forecasting Humidity for Energy and Water Efficiency in Data Centers” av Dr. Theophano Mitsa (2. november 2025).