數(shù)據(jù)中心是一個非常復(fù)雜的結(jié)構(gòu)。但是，它們對于即使是最小的企業(yè)和企業(yè)的日常運(yùn)營也至關(guān)重要。無論是內(nèi)部、云還是混合，一般的數(shù)據(jù)中心管理都需要專業(yè)知識和細(xì)致的監(jiān)督，以實(shí)現(xiàn)最大效率。至少，這就是為什么機(jī)器學(xué)習(xí)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(jiān)督學(xué)習(xí)或完全自主學(xué)習(xí)越來越受歡迎。正如 Google 的 Jim Gao 所說，學(xué)習(xí)如何優(yōu)化我們中心的數(shù)據(jù)并非易事。高本人監(jiān)督了谷歌的深度神經(jīng)網(wǎng)絡(luò)藍(lán)圖，以幫助管理這些龐大、不斷增長的流程。但是我們?nèi)绾尾拍茏詈玫卦跀?shù)據(jù)中心使用人工智能和機(jī)器學(xué)習(xí)呢？未來的應(yīng)用程序需要針對和克服哪些關(guān)鍵挑戰(zhàn)？
機(jī)器學(xué)習(xí)和安全
安全是數(shù)據(jù)中心管理人員永遠(yuǎn)不會消散的問題。雖然企業(yè)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(yuǎn)領(lǐng)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(jì)算和理解令人難以置信的數(shù)據(jù)水平。通過設(shè)計(jì)和比較，人腦只能跟上這么多。勒索軟件攻擊主要是人為設(shè)計(jì)的。這就是為什么使用機(jī)器學(xué)習(xí)來預(yù)測此類攻擊的數(shù)據(jù)中心可以提供雙倍的保護(hù)。
人工智能有潛力以卓越的效率學(xué)習(xí)和適應(yīng)人類行為和惡意軟件模式。神經(jīng)網(wǎng)絡(luò)或類似網(wǎng)絡(luò)可以應(yīng)用隨每個威脅而發(fā)展的自適應(yīng)、可擴(kuò)展的中心防御。
冷卻和恢復(fù)
數(shù)據(jù)中心經(jīng)理的一項(xiàng)標(biāo)準(zhǔn)手動任務(wù)是冷卻他們的硬件。數(shù)據(jù)中心處理龐大的任務(wù)和方程式，我們的業(yè)務(wù)全天候依賴這些任務(wù)和方程式。通過從多個洞察力的數(shù)據(jù)中學(xué)習(xí)，人工智能可以在事情升溫時立即減慢運(yùn)營速度。谷歌是我們在這方面可以學(xué)習(xí)的另一個重要例子。據(jù)報(bào)道，該公司能夠?qū)?shù)據(jù)中心的冷卻消耗減少多達(dá) 40%。它通過設(shè)計(jì)一個人工智能和學(xué)習(xí)計(jì)劃來解決 21 個不同的冷卻和溫度變量，共同管理了這一點(diǎn)。變量越多，機(jī)器學(xué)習(xí)或人工智能就會越深入。
取代人類洞察力
在新項(xiàng)目開始時，可??能推薦使用有監(jiān)督的機(jī)器學(xué)習(xí)。然而，有論據(jù)表明，從長遠(yuǎn)來看，對數(shù)據(jù)科學(xué)家職位的需求可能會完全消失。數(shù)據(jù)科學(xué)家的工作圍繞著深入分析展開。科學(xué)家不僅整理數(shù)據(jù)，而且將其應(yīng)用于假設(shè)情況。例如，可能存在追求效率的持續(xù)動力。然而，機(jī)器可以在所用時間的一小部分內(nèi)解決和計(jì)劃所述效率。
可以說，我們已經(jīng)可以看到人工智能在云級別“取代”了許多手動數(shù)據(jù)科學(xué)。許多云數(shù)據(jù)科學(xué)是自主的。對人工干預(yù)和維護(hù)的需求為零。最終，這可能是將人工智能和學(xué)習(xí)引入數(shù)據(jù)中心的“最終目標(biāo)”。人力資源不僅需要固定的薪水，而且還有犯人為錯誤的風(fēng)險。消除任何一種風(fēng)險可能對某些應(yīng)用程序非常有吸引力。
降低風(fēng)險
因此，讓我們更深入地考慮風(fēng)險。數(shù)據(jù)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(yīng)用程序健康并且按預(yù)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(xué)習(xí)可以適應(yīng)了解特定系統(tǒng)何時達(dá)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(guān)于絕對潛力的信息。
然后，如果存在過熱風(fēng)險，智能可以關(guān)閉硬件或觸發(fā)開關(guān)。情報(bào)還可以學(xué)習(xí)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(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家也可能會發(fā)現(xiàn)測量此類事件具有挑戰(zhàn)性。正如加拿大安大略省麥克馬斯特大學(xué) CIRC 的 Suvojit Ghosh 博士所觀察到的，這是一個穩(wěn)定和“穩(wěn)態(tài)”的案例。
可擴(kuò)展的分析級別
人工學(xué)習(xí)可以幫助基礎(chǔ)級別的數(shù)據(jù)中心，因?yàn)樗兄谑故虑椤案咝А薄８鶕?jù) Ghosh 博士的證詞，它也有助于創(chuàng)造最大的穩(wěn)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(jù) 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(yīng)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(shù)據(jù)中心問題中自動恢復(fù)。
然而，現(xiàn)在，許多企業(yè)可能處于小騰階梯的第二梯級。在這個進(jìn)化階段，人工神經(jīng)網(wǎng)絡(luò)和更多的人正在借助數(shù)據(jù)從數(shù)據(jù)中學(xué)習(xí)。這個級別在某些方面可能被稱為半監(jiān)督學(xué)習(xí)。人工智能和自動化學(xué)習(xí)對于中小型企業(yè)來說仍然是非常新的概念。在現(xiàn)實(shí)世界中有很多強(qiáng)化學(xué)習(xí)和監(jiān)督學(xué)習(xí)的例子。關(guān)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(yùn)行。當(dāng)然，爭論是要達(dá)到第三級，他們?nèi)匀恍枰肆χС帧？梢哉f，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(jī)器學(xué)習(xí)正在滲透到我們的日常生活中。因此，從長遠(yuǎn)來看，它最終將幫助我們實(shí)現(xiàn)數(shù)據(jù)中心管理的自動化是可以理解的。當(dāng)人為錯誤和疲勞發(fā)揮作用時，大數(shù)據(jù)可能會導(dǎo)致重大問題。因此，人工智能中心管理有可能在全球范圍內(nèi)帶來鼓舞人心的效率標(biāo)準(zhǔn)。
