Christina Delimitrou optimise les data centers existants

Christina Delimitrou applique l’apprentissage automatique aux grands systèmes cloud pour améliorer leur efficacité, leur sécurité et leur fiabilité. Professeure associée nouvellement titularisée au MIT, elle repense le fonctionnement des serveurs et des équipements réseau des data centers. Le développement mondial de ces infrastructures exerce une pression sur les réseaux électriques. Il accroît aussi le recours à une énergie issue de combustibles fossiles polluants. Son équipe cherche à obtenir davantage de puissance de calcul avec le matériel existant. Elle travaille notamment sur la gestion des ressources partagées, les architectures de serveurs et la simplification des systèmes cloud. MIT présente ses travaux dans cet article publié le 8 octobre 2026.

Une capacité sous-utilisée Delimitrou et son mentor Christos Kozyrakis ont observé une faible utilisation de nombreux grands systèmes informatiques. Ces systèmes fonctionnaient généralement à environ 15 % de leur capacité, malgré la demande existante. Selon Delimitrou, cette situation consomme davantage d’énergie pour répondre aux besoins des utilisateurs. Elle attribue notamment cette inefficacité à une surcharge logicielle importante. Son approche consiste à retirer cette surcharge sans dégrader les performances. Les opérateurs pourraient ainsi obtenir davantage de calcul avec leurs équipements actuels. Delimitrou a commencé cette recherche à Stanford, avant de poursuivre son travail comme professeure adjointe à Cornell, puis de rejoindre le MIT en 2022.

Delimitrou automatise la gestion cloud

Des outils ciblés L’équipe de Delimitrou utilise l’apprentissage automatique pour automatiser la gestion des ressources dans le cloud. Ces méthodes peuvent identifier des solutions que les développeurs ne repèrent pas toujours. Son outil Seer exploite l’apprentissage profond pour anticiper et prévenir des problèmes dans les applications web. Il vise notamment les ralentissements généralisés pouvant suivre une correction manuelle. Les applications cloud ont aussi évolué vers des composants plus petits, répartis entre plusieurs serveurs. Les serveurs existants n’étaient pas conçus pour cette organisation. Delimitrou a donc développé des systèmes d’apprentissage automatique adaptés à cette nouvelle architecture. Ces travaux concernent des services comme la diffusion musicale ou la visioconférence.

L’explicabilité devient centrale Delimitrou souligne une difficulté liée à l’utilisation de l’intelligence artificielle dans ces systèmes. Les modèles peuvent produire des résultats difficiles à interpréter. Son groupe ajoute donc des mécanismes d’explicabilité aux outils utilisés. Les développeurs peuvent ainsi obtenir des retours utiles sur les décisions du système. Cette approche doit aussi les aider à vérifier la pertinence des réponses produites. Elle peut fournir des indications pour concevoir de meilleurs systèmes par la suite. Les travaux couvrent également le débogage et les problèmes de sécurité. L’équipe examine les erreurs de code ainsi que les failles pouvant rendre des données accessibles à des pirates.

Ditto reproduit les systèmes propriétaires

Des contraintes industrielles Les recherches sur les data centers deviennent plus difficiles lorsque les entreprises utilisent du matériel propriétaire. Leurs logiciels restent également inaccessibles aux équipes universitaires. Une solution efficace en laboratoire peut donc ne pas fonctionner dans un environnement réel. Pour étudier ces systèmes, Delimitrou et son groupe créent des copies de systèmes et d’applications propriétaires. Leur outil Ditto reproduit la structure et les caractéristiques de performance d’une application. Il permet de réaliser différentes études sans accéder directement aux infrastructures originales. Delimitrou estime que des modèles d’apprentissage automatique plus avancés pourront ouvrir de nouvelles possibilités. Elle insiste toutefois sur la nécessité d’auditer les modèles et de préserver l’analyse des résultats.