如何最好地在数据中心使用人工智能和机器学习

数据中心是一个非常复杂的结构。但是,它们对于即使是最小的企业和企业的日常运营也至关重要。无论是内部、云还是混合,一般的数据中心管理都需要专业知识和细致的监督,以实现最大效率。至少,这就是为什么机器学习正在成为未来中心的理想合作伙伴的原因之一。

如何最好地在数据中心使用人工智能和机器学习-南华中天

或许不难理解为什么半监督学习或完全自主学习越来越受欢迎。正如 Google 的 Jim Gao 所说,学习如何优化我们中心的数据并非易事。高本人监督了谷歌的深度神经网络蓝图,以帮助管理这些庞大、不断增长的流程。但是我们如何才能最好地在数据中心使用人工智能和机器学习呢?未来的应用程序需要针对和克服哪些关键挑战?

机器学习和安全

安全是数据中心管理人员永远不会消散的问题。虽然企业和组织可能会努力对抗不断上升的恶意软件和勒索软件攻击,但黑客将永远领先。人类的警惕性,即使是最直观的软件也只能做到这么多。

然而,人工智能可以计算和理解令人难以置信的数据水平。通过设计和比较,人脑只能跟上这么多。勒索软件攻击主要是人为设计的。这就是为什么使用机器学习来预测此类攻击的数据中心可以提供双倍的保护。

人工智能有潜力以卓越的效率学习和适应人类行为和恶意软件模式。神经网络或类似网络可以应用随每个威胁而发展的自适应、可扩展的中心防御。

冷却和恢复

数据中心经理的一项标准手动任务是冷却他们的硬件。数据中心处理庞大的任务和方程式,我们的业务全天候依赖这些任务和方程式。通过从多个洞察力的数据中学习,人工智能可以在事情升温时立即减慢运营速度。谷歌是我们在这方面可以学习的另一个重要例子。据报道,该公司能够将数据中心的冷却消耗减少多达 40%。它通过设计一个人工智能和学习计划来解决 21 个不同的冷却和温度变量,共同管理了这一点。变量越多,机器学习或人工智能就会越深入。

如何最好地在数据中心使用人工智能和机器学习-南华中天

取代人类洞察力

在新项目开始时,可​​能推荐使用有监督的机器学习。然而,有论据表明,从长远来看,对数据科学家职位的需求可能会完全消失。数据科学家的工作围绕着深入分析展开。科学家不仅整理数据,而且将其应用于假设情况。例如,可能存在追求效率的持续动力。然而,机器可以在所用时间的一小部分内解决和计划所述效率。

可以说,我们已经可以看到人工智能在云级别“取代”了许多手动数据科学。许多云数据科学是自主的。对人工干预和维护的需求为零。最终,这可能是将人工智能和学习引入数据中心的“最终目标”。人力资源不仅需要固定的薪水,而且还有犯人为错误的风险。消除任何一种风险可能对某些应用程序非常有吸引力。

降低风险

因此,让我们更深入地考虑风险。数据中心管理不仅依赖于以最佳效率收集和处理信息。它围绕确保所有硬件和应用程序健康并且按预期工作。如上所述,人为错误是许多人想要避免的陷阱。因此,人工智能学习可以适应了解特定系统何时达到峰值容量。通过整理和解开一个中心的许多部分,人工智能可以了解更多关于绝对潜力的信息。

然后,如果存在过热风险,智能可以关闭硬件或触发开关。情报还可以学习如何管理和平衡不同的控制和通信以有效地工作,而不是完全倦怠。即使是最有才华或最有经验的数据科学家也可能会发现测量此类事件具有挑战性。正如加拿大安大略省麦克马斯特大学 CIRC 的 Suvojit Ghosh 博士所观察到的,这是一个稳定和“稳态”的案例。

如何最好地在数据中心使用人工智能和机器学习-南华中天

可扩展的分析级别

人工学习可以帮助基础级别的数据中心,因为它有助于使事情“更高效”。根据 Ghosh 博士的证词,它也有助于创造最大的稳定性。然而,在华为的邹小腾看来,人工智能的支持是分多个阶段到来的。根据 DCD的说法,小腾阶梯上的第三个阶段是人工智能可以而且应该完全无人看管。这种操作模式可以取代对人工分析的需求,句号。小腾希望华为将来能够从数据中心问题中自动恢复。

然而,现在,许多企业可能处于小腾阶梯的第二梯级。在这个进化阶段,人工神经网络和更多的人正在借助数据从数据中学习。这个级别在某些方面可能被称为半监督学习。人工智能和自动化学习对于中小型企业来说仍然是非常新的概念。在现实世界中有很多强化学习和监督学习的例子。关键示例可能是人工智能驾驶汽车或家庭助理,它们在语音识别上运行。当然,争论是要达到第三级,他们仍然需要人力支持。可以说,如果以后需要任何回归,公司可能会选择缩减到第二级和第一级。

未来是什么样子的

机器学习正在渗透到我们的日常生活中。因此,从长远来看,它最终将帮助我们实现数据中心管理的自动化是可以理解的。当人为错误和疲劳发挥作用时,大数据可能会导致重大问题。因此,人工智能中心管理有可能在全球范围内带来鼓舞人心的效率标准。