Phaidra

Sistem kontrol AI kelas industri yang mengatur pendinginan pusat data secara otomatis dengan reinforcement learning.

Hubungi untuk harga United States

Phaidra didirikan oleh mantan anggota proyek pendinginan pusat data Google DeepMind, yang memindahkan sistem kontrol reinforcement learning yang dulu menghemat energi ruang server Google menjadi produk komersial. Sistem ini langsung mengambil alih setpoint chiller, cooling tower, dan pendingin udara, sehingga ruang server dapat menemukan sendiri kombinasi operasi paling hemat energi tanpa melanggar batas atas-bawah suhu dan kelembapan.

Fitur dan Skenario Penggunaan

Cara kerjanya sangat berbeda dari software pemantauan biasa. Sebagian besar DCIM hanya bertugas "melihat", menampilkan suhu dan daya dalam bentuk dashboard, sedangkan keputusan penyesuaian selanjutnya tetap bergantung pada pengalaman insinyur. Phaidra bertugas "melakukan": agen AI terus membaca data sensor di lapangan, memakai reinforcement learning untuk mensimulasikan konsekuensi berbagai kombinasi setpoint, lalu menulis kembali instruksi ke sistem otomasi gedung, dengan seluruh proses berputar dalam hitungan detik. Pihak resmi membagi produk menjadi dua bagian: Phaidra Prism adalah antarmuka LLM bagi tim operasi untuk bertanya dan memeriksa anomali; sedangkan Phaidra Factory adalah agen optimasi yang benar-benar mengeluarkan instruksi, ditujukan untuk melayani ruang server jenis baru dengan kerapatan daya sangat tinggi seperti klaster pelatihan AI.

Cocok untuk perusahaan yang memiliki ruang server sendiri, porsi konsumsi energi pendinginannya tinggi, dan sudah memiliki sistem sensor serta kontrol gedung yang lengkap. Jika skala ruang server kecil, atau perangkatnya terlalu tua sampai penulisan setpoint jarak jauh saja tidak bisa, maka ambang adopsinya akan lebih tinggi daripada penghematan tagihan listrik yang didapat. Industri semikonduktor dan telekomunikasi di Indonesia yang memiliki ruang server sendiri relatif matang, sehingga menjadi kelompok yang lebih berpeluang mengevaluasinya.

Fitur Utama

Agen reinforcement learning langsung mengontrol setpoint chiller dan cooling tower
Phaidra Prism: mengkueri anomali dan status operasi ruang server dengan bahasa natural
Phaidra Factory: modul optimasi pendinginan yang dirancang khusus untuk klaster pelatihan AI
Terintegrasi dengan sistem otomasi gedung (BAS) dan SCADA yang ada, tanpa perlu ganti perangkat keras
Pembelajaran berkelanjutan: model menyesuaikan ulang sendiri setelah perangkat menua atau beban berubah
Mekanisme guardrail keamanan, otomatis kembali ke mode manual saat melampaui batas suhu-kelembapan

Penggunaan Umum

Pusat data hyperscale menurunkan biaya listrik pendinginan dan PUE
Pengaturan lingkungan campuran pendinginan cair dan udara pada klaster pelatihan AI
Optimasi pendingin presisi pada pabrik farmasi atau semikonduktor
Bukti pengurangan konsumsi energi yang dibutuhkan untuk laporan ESG perusahaan

Fitur Utama

Agen reinforcement learning langsung mengontrol setpoint chiller dan cooling tower
Phaidra Prism: mengkueri anomali dan status operasi ruang server dengan bahasa natural
Phaidra Factory: modul optimasi pendinginan yang dirancang khusus untuk klaster pelatihan AI
Terintegrasi dengan sistem otomasi gedung (BAS) dan SCADA yang ada, tanpa perlu ganti perangkat keras
Pembelajaran berkelanjutan: model menyesuaikan ulang sendiri setelah perangkat menua atau beban berubah
Mekanisme guardrail keamanan, otomatis kembali ke mode manual saat melampaui batas suhu-kelembapan

Kelebihan

Dibangun oleh tim yang benar-benar pernah mengerjakan proyek ruang server DeepMind, metodologinya memiliki rekam jejak nyata
Tidak perlu mengganti perangkat pendinginan, cukup lewat sistem kontrol yang ada untuk diadopsi
Memiliki modul khusus untuk skenario kerapatan daya tinggi pada ruang server AI

Kekurangan

Harga tidak dipublikasikan, harus melalui proses negosiasi enterprise, sehingga sulit dievaluasi ruang server kecil-menengah
Membutuhkan cakupan sensor yang cukup lengkap dan sistem kontrol yang dapat ditulisi
Masa adopsi memerlukan beberapa bulan agar model mempelajari karakteristik lapangan, bukan langsung efektif setelah dipasang

Contoh Penggunaan

Pusat data hyperscale menurunkan biaya listrik pendinginan dan PUE
Pengaturan lingkungan campuran pendinginan cair dan udara pada klaster pelatihan AI
Optimasi pendingin presisi pada pabrik farmasi atau semikonduktor
Bukti pengurangan konsumsi energi yang dibutuhkan untuk laporan ESG perusahaan

Catatan Editor

Saya selalu berhati-hati terhadap klaim "AI hemat energi", karena terlalu banyak produk yang sebenarnya hanya membuat dashboard sedikit lebih cantik. Keistimewaan Phaidra adalah keberaniannya memikul tanggung jawab kontrol: AI langsung mengeluarkan instruksi, dan jika salah, ruang server yang terkena dampak. Sukses tidaknya produk seperti ini tidak terletak pada seberapa pintar modelnya, melainkan pada seberapa ketat desain guardrail-nya, dan hal ini dijelaskan pihak resmi lebih jelas dibanding kompetitor.

FAQ

Apa bedanya Phaidra dengan software DCIM biasa?

DCIM terutama bertugas memantau dan mengelola aset, sedangkan keputusan tetap dibuat manusia; Phaidra menyerahkan kendali kepada agen AI dan langsung menulis kembali setpoint optimal ke sistem kontrol. Keduanya sebenarnya sering berdampingan, yang pertama mengelola aset, yang kedua mengelola penghematan energi.

Berapa lama sampai terlihat hasilnya setelah diadopsi?

Pihak resmi tidak memberi angka pasti, tetapi kontrol reinforcement learning seperti ini biasanya perlu membiarkan model "mengamati" lapangan selama beberapa minggu hingga bulan sebelum berani mengambil alih. Berharap tagihan turun dalam satu bulan tidaklah realistis.

Apakah cocok dipakai ruang server di Indonesia?

Secara teknis tidak ada batasan wilayah, kuncinya adalah apakah sistem otomasi gedung di lapangan terbuka untuk ditulisi. Tidak sedikit ruang server menengah masih dikendalikan manual, sehingga lapisan sensor dan kontrol harus dilengkapi lebih dulu.