Spis treści:
- Opóźnienia
- Suwerenność i poufność danych
- Koszt
- Lokalne dane i LLM-y
- Od stacji roboczej do DC
- Audyt „AI-Readiness”
- Profil obciążenia GPU
- Chłodzenie i gęstość cieplna
- Dopasowanie do profilu obciążeń
- Agenci AI w data center
- Przemyślane działania
Przejście od centralnego trenowania modeli do rozproszonego wnioskowania w czasie rzeczywistym wymusza fundamentalną zmianę paradygmatu infrastrukturalnego w kierunku serwerowni brzegowych. Konieczność zapewnienia opóźnień rzędu milisekund, suwerenności danych oraz optymalizacji kosztów transferu czyni z lokalnych obiektów AI nowy, krytyczny element łańcucha wartości technologicznej.
Sztuczna inteligencja przechodzi najgłębszą transformację architektoniczną w swojej historii. Pierwsza fal GenAI opierała się praktycznie całkowicie na centrach danych typu hyperscale (fabryka AI), w których ogromne klastry, złożone z dziesiątków tysięcy akceleratorów, trenowały modele LLM. W momencie, w którym uwaga rynku przeniosła się z etapu trenowania do wdrażania modeli i prowadzenia wnioskowania w czasie rzeczywistym (interferencji), centralny model chmurowy oparty na infrastrukturze fabryk AI natrafił na nieprzekraczalne bariery fizyczne, ekonomiczne i prawne.
Opóźnienia
Kluczowym czynnikiem stymulującym rozwój serwerowni Edge AI jest bezwzględny wymóg minimalizacji opóźnień. W zastosowaniach takich jak przemysłowa kontrola jakości, autonomiczny transport, diagnostyka medyczna w czasie rzeczywistym czy automatyzacja stacji elektroenergetycznych czas odpowiedzi systemu liczony w setkach milisekund – wymuszony przesyłem danych do chmury – jest całkowicie nieakceptowalny. Aplikacje brzegowe wymagają opóźnień rzędu 5-30 ms, co wymaga fizycznego umiejscowienia mocy obliczeniowej jak najbliżej źródła generowania danych.
Suwerenność i poufność danych
Wejście w życie unijnego aktu o sztucznej inteligencji (AI Act) oraz rygorystyczne egzekwowanie rozporządzenia GDPR zmieniły sytuację rynkową. W tym momencie eksport surowych strumieni wideo, danych biometrycznych, dokumentów zawierających tajemnice handlowe czy wrażliwej dokumentacji technologicznej poza lokalną sieć przedsiębiorstwa wiąże się z ogromnym ryzykiem prawnym i finansowym. Tu idealnym przykładem jest obecny spór OpenAI z matematykami Anthropica, którzy zarzucają pracownikom pierwszej z firm wykorzystanie ich roboczych notatek, szkiców dowodów i kodu, który naukowcy OpenAI umieszczali w systemie Codex. Tłem sporu jest informacja z początku września – wówczas OpenAI ogłosiło, że jego wewnętrzny system sztucznej inteligencji (potężniejszy niż GPT-6 Astra) samodzielnie wygenerował formalny dowód matematyczny, rozwiązujący równania Naviera–Stokesa. Lokalne przetwarzanie danych – np. serwerowni Edge AI – eliminuje ryzyko takiego wycieku danych.
Koszt
Trzecim czynnikiem są drastyczne koszty transferu danych oraz ograniczenia przepustowości łączy szerokopasmowych. Dzienne generowanie terabajtów danych pochodzących z procesu nadzoru nad nowoczesną linią produkcyjną lub szpitalnych systemów obrazowania powoduje zapychanie łączy sieciowych. Lokalna inferencja i filtracja danych pozwala na wysyłanie do centrali jedynie przetworzonych metadanych i kluczowych wniosków, co skutecznie redukuje obciążenie sieci.
W tym kontekście serwerownia Edge AI przestaje być traktowana jako klasyczny punkt dystrybucji IT i staje się nowym obszarem infrastruktury krytycznej. Jej awaria nie oznacza jedynie opóźnienia w dostępie do poczty e-mail, lecz ryzyko natychmiastowego zatrzymania linii produkcyjnej, paraliżu autonomicznej logistyki magazynowej lub częściową utratę nadzoru nad krytycznymi systemami w obiekcie o wysokim rygorze bezpieczeństwa.
Lokalne dane i LLM-y
Przeniesienie modeli AI z chmury do lokalnej serwerowni lub infrastruktury Edge AI jest często przedstawiane jako prosty sposób na rozwiązanie problemów związanych z prywatnością, bezpieczeństwem i kontrolą nad danymi. Z perspektywy inżynierii bezpieczeństwa jest to jednak założenie zbyt uproszczone.
Lokalne uruchomienie modelu zwiększa kontrolę nad środowiskiem przetwarzania, ale nie zapewnia suwerenności informacyjnej. O poziomie suwerenności decyduje cała architektura systemu, tj. miejsce przetwarzania danych, przepływy informacji, sposób przechowywania danych, mechanizmy dostępu, telemetria, aktualizacje oprogramowania, zależności zewnętrzne oraz zasady zarządzania cyklem życia danych i modeli.
W lokalnym środowisku AI konieczne jest przeanalizowanie wszystkich strumieni danych wychodzących z infrastruktury. Dotyczy to nie tylko samego modelu, ale całego stosu technologicznego: aplikacji, bibliotek, systemów orkiestracji, narzędzi monitoringu, systemów zarządzania modelami oraz usług pomocniczych.
Nie każdy LLM wysyła dane poza środowisko lokalne i nie należy automatycznie przypisywać takiej funkcjonalności modelom open source. Ryzyko może się jednak pojawić na poziomie oprogramowania uruchamiającego model lub usług towarzyszących. Przykładem mogą być mechanizmy telemetrii, raportowanie błędów, aktualizacji, licencjonowania czy monitorowania wykorzystania. Architektura Edge AI powinna zakładać kontrole ruchu wychodzącego jako podstawowy element bezpieczeństwa. W zależności od poziomu krytyczności może ona obejmować segmentację sieci, firewalle, polityki allowlist, kontrolę DNS, proxy, monitoring połączeń oraz rejestrowanie i analizę komunikacji. W środowiskach o szczególnie wysokich wymaganiach możliwe jest zastosowanie dodatkowych mechanizmów inspekcji ruchu.
Od stacji roboczej do DC
Ewolucja rozwiązań AI w części organizacji rozpoczyna się często nieformalne. Inżynierowie danych i deweloperzy uruchamiają pierwsze testowe model bazowe na zaawansowanych – wyposażonych w jedna lub dwie profesjonalne karty graficzne – stacjach roboczych umieszczonych najczęściej w dziale R&D. Choć stacja robocza oferuje wysoką moc szczytową, jej wykorzystanie w procesach produkcyjnych tworzy zjawisko tzw. niewidzialnego długu technicznego.
Punkt przełomowy następuje w momencie, gdy prototypowe rozwiązanie AI zaczyna obsługiwać rzeczywisty proces biznesowy lub operacyjny. Pojawiający się wówczas krytyczne symptomy braku dojrzałości infrastrukturalnej. Stacja robocza nie ma nadmiarowości zasilania, często też nie jest podpięta do zasilania bezprzerwowego zapewnianego przez UPS o odpowiednim czasie autonomii oraz brak jej dedykowanego chłodzenia. Jednak najbardziej krytyczne jest to, że znajduje się poza pomieszczeniem objętym centralnym systemem monitoringu z zarządzanymi uprawnieniami dostępu.
Model dojrzałości
Proces przechodzenia ze stacji roboczej do zarządzanego środowiska Edge DC powinien przebiegać według ustrukturyzowanego, pięcioetapowego modelu dojrzałości:
- Stacja robocza – środowisko czysto eksperymentalne, brak SLA, dostęp pojedynczego użytkownika;
- Pojedynczy serwer do inferencji – instalacja w szafie rack (obudowa 2U/4U), która pozwala na zamontowanie potężnych systemów chłodzenia (wentylatorów) oraz fizyczne wpięci kilku profesjonalnych GPU (np. NVIDIA H100/H200 bezpośrednio do płyty głównej), podstawowe zarządzanie Out-of-Band (iDRAC/iLO), podstawowe zasilanie – tor A/B;
- Współdzielona pula zasobów GPU – wdrożenie orkiestacji (np. Kubernetes z KubeFlow/vLLM), dynamiczne przydzielanie instancji MIG (Multi-Instance GPU), wyizolowane środowiska deweloperskie i produkcyjne;
- Lokalny klaster Edge AI – szybki storage NVMe over Fabrics, dedykowana sieć 100/200 GbE z obsługą RDMA, automatyczny failover modeli i duża dostępność;
- Regionalny Hub AI – pełna integracja z hybrydowym środowiskiem chmurowym, scentralizowane zarządzanie cyklem życia modeli, zaawansowane chłodzenie cieczą oraz pełna automatyzacja operacyjna.
Audyt „AI-Readiness”
Zainstalowanie w istniejącej szafie rack serwerów pod AI o mocy 15-20 kW bez wcześniejszego audytu technicznego jest jedną z najczęstszych przyczyn problemów z prawidłową eksploatację infrastruktury elektrycznej oraz spadkiem wydajności zakupionych urządzeń. Sam fakt, że serwer fizycznie mieści się w standardowej szafie rack (19 cali), nie oznacza, że dany obiekt jest w stanie bezpiecznie obsłużyć jego profil energetyczny i cieplny.
Elektryka
Pierwszym etapem audytu AI-Readiness jest weryfikacja faktycznie dostępnej i gwarantowanej mocy elektrycznej. Należy przeanalizować nie tylko projektowane wartości znamionowe zabezpieczeń w rozdzielnicach, ale też rzeczywistą dostępną moc na poszczególnych fazach zasilania na wyjściu UPS-a lub UPS-ów, jeżeli dysponujemy dwoma torami zasilania na wyjściu UPS-a lub UPS-ów, jeżeli dysponujemy dwoma torami zasilania A i B. Rezerwa mocy wykazana na poziomie UPS-a może się okazać niedostępna na poziomie konkretnego rzędu szaf z powodu możliwości przekroczenia limitów prądowych wyłączników nadprądowych.
Chłód
Kolejnym etapem audytu AI-Readiness jest weryfikacja faktycznej i gwarantowanej wydajności systemu chłodzenia powietrzem. Należy przeanalizować nie tylko projektowe wartości znamionowe szaf klimatyzacji precyzyjnej, ale też rzeczywistą efektywność dystrybucji strumienia zimnego powietrza. Rezerwa ogólnej mocy chłodniczej wykazana na poziomie całej serwerowni może się okazać niedostępna w przypadku konkretnego rzędu szaf z powodu fizycznych ograniczeń przepływu powietrza. Powody mogą być różne – od niewłaściwej perforacji kratek podłogi podniesionej, przez drzwi, brak fizycznej izolacji korytarzy (zimny/gorący), aż po powstanie lokalnej recyrkulacji ciepłego powietrza, czyli tzw. hot-spotów. Recyrkulacja ciepłego powietrza jest często niedoszacowana, co powoduje, że serwer AI zasysa część własnego (lub cudzego) gorącego powietrza. Może wtedy dojść do sytuacji, w której GPU automatycznie obniża swoje taktowanie, drastycznie zmniejszając wydajność i wydłużając czas inferencji. Innymi słowa, mowa o thermal throttlingu.
Mechanika
Trzecim krytyczny, obszarem jest ocena mechaniczna i konstrukcyjna. Nowoczesne serwery AI charakteryzując się głębokością często przekraczającą 1200 mm oraz znacznym ciężarem. Wraz z okablowaniem wysokoprądowym systemem dystrybucji zasilania oraz instalacją chłodzenia cieczą waga pojedynczej szafy może przekroczyć 1300 kg. Wymaga to szczegółowej weryfikacji nośności stropu, punktowego obciążenia podłogi podniesionej oraz przebiegu dróg transportowych i wymiarów drzwi technicznych.
Większość standardowych szaf IT na rynku ma nośność dynamiczną (kółka) do 750-1000 kg. Projektując infrastrukturę pod Edge AI, należy bezwzględnie wybierać szafy z oznaczeniem Heavy-Duty. Analiza musi objąć rozróżnienia pomiędzy nośnością statyczną a dynamiczną szaf, jednak przekroczenie dopuszczalnej nośności dynamicznej uniemożliwi bezpieczny transport w pełnie uzbrojonej szafy na kółkach wewnątrz obiektu, stwarzając ryzyko fizycznego odkształcenia lub zawalenia konstrukcji stelaża.
Sieć
W warstwie sieciowej audyt musi wykroczyć poza prostą weryfikacją dostępności wolnego portu w switchu dostępowym. Wdrażanie klastrów AI i architektur RAG wymaga dedykowanych pasm dla komunikacji między akceleratorami, replikacji stanów pamięci masowej oraz przesyłu dużych plików binarnych modeli (nawet 200 GB dla jednego LLM-u). Błędnie zaprojektowana topologia sieciowa może doprowadzić do powstania wąskich gardeł, tłumiąc wydajność drogich GPU.
Profil obciążenia GPU
Profil poboru mocy przez serwery wyposażone w akceleratory GPU znacząco różni się od charakterystyki tradycyjnych serwerów opartych wyłącznie na procesorach CPU. Typowe obciążenia IT wykazują względnie stabilny i przewidywalny pobór prądu. Obliczenia AI – podczas masowego wnioskowania, jak i dostrajania modeli (fine-tuning) – generują skokowe, gwałtowne zmiany poboru mocy. Mogą one w czasie znacznie poniżej milisekundy skoczyć z poziomu np. 5 kW do maksymalnego obciążenia 30 kW, by po kilku sekundach równie gwałtownie spaść. Zjawisko to stawia bardzo duże wymagania przed systemami zasilania bezprzerwowego UPS i może prowadzić do niestabilnej pracy falowników.
Falownik UPS odpowiada za generowanie idealnej, czystej sinusoidy napięcia wyjściowego. Gdy uderza w niego tak nagła zmiana obciążenia, układ regulacji nie nadąża z kompensacją. Prowadzi to do chwilowych zapadów lub skoków napięcia, a w skrajnych przypadkach do przejścia falownika w stan błędu (niestabilności pętli sprzężenia zwrotnego) i na tzw. bypass statyczny.
Power capping
W zakresie architektury zasilania nie można pominąć jednego z istotnych mechanizmów zarządzania limitem mocy (power capping). W sytuacjach awaryjnych, np. po przejściu obiektu na pracę z baterii UPS, oprogramowanie zarządzające musi być w stanie w czasie milisekund obniżyć limity mocy (TDP) na poszczególnych kartach GPU, aby wydłużyć czas podtrzymania bateryjnego, jeżeli nie dysponujemy agregatem.
Prąd udarowy
Należy również zwrócić uwagę na procedury sekwencjonowania startu systemów po całkowitym zaniku i próbie przywrócenia zasilania. Jednoczesny rozruch kilkunastu serwerów AI powoduje powstanie ogromnego prądu udarowego. Bez odpowiednio skonfigurowanych opóźnień czasowych na gniazdach listew zasilających rPDU próba uruchomienia serwerowni Edge AI po awarii doprowadzi do natychmiastowego zadziałania głównych zabezpieczeń prądowych w najbliższej rozdzielnicy bądź już na rPDU.
Chłodzenie i gęstość cieplna
Ilość ciepła generowana przez nowoczesne GPU może stanowić fizyczną barierę dla tradycyjnych systemów chłodzenia powietrznego. W konwencjonalnej konfiguracji zimny/ciepły zabudowany korytarz, chłodzenie powietrzem osiąga swoje ekonomiczne granice przy mocy rzędu 20–25 kW na szafę. Powyżej tej granicy ilość powietrza wymagana do odprowadzenia ciepła wymusza tak wysokie prędkości wentylatorów, że zużycie energii drastycznie podnosi całkowity pobór pądu przez infrastrukturę IT (paradoksalnie PUE maleje – opisaliśmy to w „IT Professional”, 4/2024, s. 58), a ryzyko powstawania lokalnych punktów przegrzania rośnie.
W obiektach, w których modernizacja instalacji freonowej czy wody lodowej jest ograniczona przestrzenią, skutecznym rozwiązaniem pośrednim są wymienniki ciepła w drzwiach tylnych szafy, tzw. RDHx (Rear Door Heat Exchangers). Systemy te pozwalają na neutralizację ciepła bezpośrednio na wylocie z szafy serwerowej, zapobiegając mieszaniu się powietrza gorącego z otoczeniem serwerowni. Pozwala to na obsługę szaf o mocach rzędu 30–50 kW bez konieczności przebudowy całego systemu klimatyzacji precyzyjnej w obiekcie.
Jeżeli chłodzenie powietrzem staje się fizycznie niewystarczające – jak w przypadku najnowszych układów GPU, których wskaźnik TDP na pojedynczy chip przekracza 1000 W – standardem przemysłowym dla serwerowni Edge AI staje się chłodzenie cieczą Direct-to-Chip (DLC). W technologii tej dedykowane radiatory wodne zamontowane są bezpośrednio na procesorach GPU i CPU, a ciecz chłodząca odprowadza do 90% całkowitego ciepła generowanego przez serwer.
Zastosowanie chłodzenia Direct-to-Chip wymaga wprowadzenia do architektury serwerowni jednostek dystrybucji chłodu – CDU (Cooling Distribution Units). Jednostki CDU oddzielają budynkowy obieg wody technologicznej od zamkniętego, precyzyjnie kontrolowanego obiegu wtórnego zasilającego radiatory wodne w serwerach. Wymaga to rygorystycznego monitorowania jakości cieczy oraz wdrożenia wielopunktowych systemów detekcji wycieków (wykrywacze taśmowe i punktowe).
Dopasowanie do profilu obciążeń
Projektanci systemów energetycznych popełniają często błąd, traktując wszystkie obciążenia związane ze sztuczną inteligencją w sposób jednolity. W rzeczywistości wymagania sprzętowe, sieciowe i energetyczne różnią się w zależności od tego, czy serwerownia Edge AI ma obsługiwać wnioskowanie, rozszerzone generowanie kontekstowe (RAG), dostrajanie modeli czy pełny trening.
Pełny trening LLM-ów czy modeli multimodalnych wymaga gigantycznej przepustowości komunikacyjnej pomiędzy tysiącami akceleratorów i nie jest celem dla brzegowych DC. Trening powinien pozostać domeną fabryk AI oraz chmur publicznych. Głównym zadaniem serwerowni Edge AI jest obsługa wnioskowania w czasie rzeczywistym oraz lokalnego RAG-a.
Wnioskowanie charakteryzuje się zapotrzebowaniem na dużą przepustowość pamięci VRAM oraz niskie opóźnienia. W tym scenariuszu kluczowy jest wskaźnik TTFT (Time-To-First-Token) oraz liczba generowanych tokenów na sekundę na użytkownika. Serwery przeznaczone do inferencji nie wymagają zazwyczaj skomplikowanych klastrów wielowęzłowych i tu sprawdzają się konfiguracje 1U–4U wyposażone w jeden do czterech akceleratorów GPU z dopasowaną ilością pamięci.
Wykorzystanie architektury RAG wymaga nie tylko GPU do generowania odpowiedzi, ale również bardzo szybkiej pamięci masowej NVMe dla baz wektorowych oraz wydajnych procesorów CPU do wykonywania operacji embeddingu i rerankingu. Wydajność RAG-a bezpośrednio zależy od opóźnień odczytu i zapisu w bazie wektorowej.
Rosnące znaczenie na brzegu sieci zyskują SLM, czyli małe modele o skali od 1 do 14 mld parametrów. Dzięki zaawansowanym technikom kwantyzacji, czyli zmniejszeniu precyzji obliczeniowej z FP16 do FP8, INT8 lub INT4, modele te mogą być uruchamiane przy minimalnym zużyciu energii, oferując jednocześnie jakość odpowiedzi w pełni wystarczającą do realizacji wyspecjalizowanych zadań, jakie zaplanują dla nich administratorzy.
Agenci AI w data center
Przejście od pasywnych modeli językowych, które generują jedynie odpowiedzi tekstowe, do autonomicznych agentów AI stanowi największy przełom w operacjach utrzymania obiektów DC. Współpracujący z systemem DCIM agent AI potrafi nie tylko przetworzyć pytanie, ale też samodzielnie zaplanować sekwencję działań, skorzystać z zewnętrznych narzędzi przez interfejsy API, przetworzyć zwrócone wyniki i zaplanować zadania operacyjne dla zespołu utrzymania obiektu.
W procesach zarządzania obiektami krytycznymi konieczne jest wprowadzenie jednoznacznej klasyfikacji poziomów autonomii agentów AI:
- poziom 0 – agent odpowiada wyłącznie na bezpośrednie pytania tekstowe na podstawie wgranej dokumentacji;
- poziom 1 – agent stale analizuje strumień alarmów z systemu BMS oraz DCIM i koreluje je z historią incydentów. W kolejnym kroku rekomenduje procedurę naprawczą;
- poziom 2 – agent przygotowuje gotowe zlecenie pracy, np. work order w systemie DCIM, i czeka na zatwierdzenie przez pracownika działu utrzymania ruchu;
- poziom 3 – agent samodzielnie wykonuje odwracalne akcje o niskim ryzyku w ściśle określonej domenie, np. zmiana priorytetu ticketu;
- poziom 4 – agent autonomicznie zarządza złożonym podsystemem, np. dynamiczną optymalizacją pracy wentylatorów systemu klimatyzacji, ale w zdefiniowanym oknie parametrowym – przykładowo od 60% do 100% wartości nominalnej;
- poziom 5 – całkowita autonomia w sterowaniu fizyczną infrastrukturą; poziom obecnie uznawany przez branżę za skrajnie niebezpieczny i niedopuszczalny.
Przykłady wdrożeń
Firmy GlobalLogic i Honeywell wdrożyły systemy agentów predykcyjnych w obszarze technologii energetycznych. Agenci stale analizują telemetrię z transformatorów, UPS-ów oraz systemów klimatyzacji. Na podstawie zebranych danych potrafią samodzielnie obliczyć indeks zdrowia komponentów i wysłać do operatorów informacje o ich szacowanym aktualnym stanie. Odbiorcy usługi oceniają, że koszty utrzymania infrastruktury obniżyły się o prawie 10%.
Phaidra – jeden z najważniejszych start-upów software’owych w ekosystemie DC – wdrożył system oparty na agentach AI do sterowania systemem chłodzenia cieczą. Jak to działa? Agent otrzymuje dane o chwilowym poborze mocy szaf z GPU i wykorzystuje je jako sygnał wyprzedzający wzrost obciążenia cieplnego. Dzięki tej informacji system reaguje na przewidywany wzrost, zamiast czekać na faktyczne podniesienie temperatury GPU i czynnika chłodzącego. Agent automatycznie zmienia parametry pracy CDU, aby przygotować układ chłodzenia na nadchodzące obciążenie.
Jest to podejście oparte na sterowaniu wyprzedzającym oraz predykcyjnym, a nie klasyczna regulacja wykorzystująca wyłącznie aktualną temperaturę. Rozwiązanie było testowane i wdrażane w środowiskach z NVIDIA DGX SuperPOD oraz NVIDIA GB200 NVL72 – zapobiegało niebezpiecznym skokom temperatury procesorów (GPU/CPU), a co za tym idzie cieczy chłodzącej. Niepożądany, duży skok obciążenia cieplnego prowadzi do chwilowego przekroczenia bezpiecznej, zaplanowanej wartości temperatury, co może skutkować spowolnieniem pracy GPU i pamięci VRAM.
Google jest jednym z najważniejszych historycznych przykładów. DeepMind wykorzystał ML do analizy ogromnej liczby parametrów data center i generowania rekomendacji dotyczących chłodzenia. Następnie system został rozszerzony tak, aby automatycznie implementować wybrane działania sterujące z zachowaniem mechanizmów bezpieczeństwa i możliwości przejęcia kontroli przez operatora. To pokazuje wcześniejszą generację tego samego trendu: ML predykcja → rekomendacja → automatyczna zmiana. Phaidra idzie krok dalej w kierunku ciągłej, agentowej pętli decyzyjnej.
Przemyślane działania
Przed zakupem akceleratorów do Edge AI niezbędny jest audyt AI-Readiness sprawdzający obciążenia fazowe, chłodzenie i nośność podłóg. Infrastruktura musi być przygotowana na gęstości powyżej 30 kW na rack poprzez hybrydowe chłodzenie obejmujące Direct-to-Chip plus RDHx. Wdrożenie Edge AI bezsprzecznie wymaga zaprojektowania dedykowanych obiektów pod konkretne obciążenia (inferencja, RAG), a nie traktowania ich jako skalowanej w dół chmury, co eliminuje przewymiarowanie i zbędne koszty.
Autor
Sebastian Jary
Autor jest ekspertem ds. utrzymania i rozwoju infrastruktury data center w największej skandynawskiej instytucji finansowej. Od 18 lat zajmuje się problematyką budowy, utrzymania i efektywnego zarządzania centrami przetwarzania danych. Posiada międzynarodowe certyfikaty branżowe: EPI Academy: CDESS, CDCP, CDCS, DFOM oraz DCD Academy: Cooling and Power Professional, DC Design Awareness oraz DC Design Engineering.