數據中心是一個非常復雜的結構。但是，它們對于即使是最小的企業和企業的日常運營也至關重要。無論是內部、云還是混合，一般的數據中心管理都需要專業知識和細致的監督，以實現最大效率。至少，這就是為什么機器學習正在成為未來中心的理想合作伙伴的原因之一。

或許不難理解為什么半監督學習或完全自主學習越來越受歡迎。正如 Google 的 Jim Gao 所說，學習如何優化我們中心的數據并非易事。高本人監督了谷歌的深度神經網絡藍圖，以幫助管理這些龐大、不斷增長的流程。但是我們如何才能最好地在數據中心使用人工智能和機器學習呢？未來的應用程序需要針對和克服哪些關鍵挑戰？

機器學習和安全

安全是數據中心管理人員永遠不會消散的問題。雖然企業和組織可能會努力對抗不斷上升的惡意軟件和勒索軟件攻擊，但黑客將永遠領先。人類的警惕性，即使是最直觀的軟件也只能做到這么多。

然而，人工智能可以計算和理解令人難以置信的數據水平。通過設計和比較，人腦只能跟上這么多。勒索軟件攻擊主要是人為設計的。這就是為什么使用機器學習來預測此類攻擊的數據中心可以提供雙倍的保護。

人工智能有潛力以卓越的效率學習和適應人類行為和惡意軟件模式。神經網絡或類似網絡可以應用隨每個威脅而發展的自適應、可擴展的中心防御。

冷卻和恢復

數據中心經理的一項標準手動任務是冷卻他們的硬件。數據中心處理龐大的任務和方程式，我們的業務全天候依賴這些任務和方程式。通過從多個洞察力的數據中學習，人工智能可以在事情升溫時立即減慢運營速度。谷歌是我們在這方面可以學習的另一個重要例子。據報道，該公司能夠將數據中心的冷卻消耗減少多達 40%。它通過設計一個人工智能和學習計劃來解決 21 個不同的冷卻和溫度變量，共同管理了這一點。變量越多，機器學習或人工智能就會越深入。

取代人類洞察力

在新項目開始時，可??能推薦使用有監督的機器學習。然而，有論據表明，從長遠來看，對數據科學家職位的需求可能會完全消失。數據科學家的工作圍繞著深入分析展開。科學家不僅整理數據，而且將其應用于假設情況。例如，可能存在追求效率的持續動力。然而，機器可以在所用時間的一小部分內解決和計劃所述效率。

可以說，我們已經可以看到人工智能在云級別“取代”了許多手動數據科學。許多云數據科學是自主的。對人工干預和維護的需求為零。最終，這可能是將人工智能和學習引入數據中心的“最終目標”。人力資源不僅需要固定的薪水，而且還有犯人為錯誤的風險。消除任何一種風險可能對某些應用程序非常有吸引力。

降低風險

因此，讓我們更深入地考慮風險。數據中心管理不僅依賴于以最佳效率收集和處理信息。它圍繞確保所有硬件和應用程序健康并且按預期工作。如上所述，人為錯誤是許多人想要避免的陷阱。因此，人工智能學習可以適應了解特定系統何時達到峰值容量。通過整理和解開一個中心的許多部分，人工智能可以了解更多關于絕對潛力的信息。

然后，如果存在過熱風險，智能可以關閉硬件或觸發開關。情報還可以學習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。即使是最有才華或最有經驗的數據科學家也可能會發現測量此類事件具有挑戰性。正如加拿大安大略省麥克馬斯特大學 CIRC 的 Suvojit Ghosh 博士所觀察到的，這是一個穩定和“穩態”的案例。

可擴展的分析級別

人工學習可以幫助基礎級別的數據中心，因為它有助于使事情“更高效”。根據 Ghosh 博士的證詞，它也有助于創造最大的穩定性。然而，在華為的鄒小騰看來，人工智能的支持是分多個階段到來的。根據 DCD的說法，小騰階梯上的第三個階段是人工智能可以而且應該完全無人看管。這種操作模式可以取代對人工分析的需求，句號。小騰希望華為將來能夠從數據中心問題中自動恢復。

然而，現在，許多企業可能處于小騰階梯的第二梯級。在這個進化階段，人工神經網絡和更多的人正在借助數據從數據中學習。這個級別在某些方面可能被稱為半監督學習。人工智能和自動化學習對于中小型企業來說仍然是非常新的概念。在現實世界中有很多強化學習和監督學習的例子。關鍵示例可能是人工智能駕駛汽車或家庭助理，它們在語音識別上運行。當然，爭論是要達到第三級，他們仍然需要人力支持。可以說，如果以后需要任何回歸，公司可能會選擇縮減到第二級和第一級。

未來是什么樣子的

機器學習正在滲透到我們的日常生活中。因此，從長遠來看，它最終將幫助我們實現數據中心管理的自動化是可以理解的。當人為錯誤和疲勞發揮作用時，大數據可能會導致重大問題。因此，人工智能中心管理有可能在全球范圍內帶來鼓舞人心的效率標準。