(资料图片仅供参考)

机器学习将显着改变数据中心经济，并为改善未来铺平道路。随着机架开始装满 ASIC、GPU、FPGA 和超级计算机，机器学习和人工智能已经进入数据中心，并正在改变超大规模服务器场的外观。这些技术提高了可用于训练机器学习系统的计算机能力，这是一项以前需要大量数据处理的任务。最终目标是构建更智能的应用程序并增强您已经每天使用的服务。仅仅依靠人类判断和常识将远远达不到所需的精确度和有效性标准。满足大规模 IT 服务需求的唯一可持续方法是完全转向数据驱动的决策，并使用所有数据来改善结果。由于 Schneider Electric、Maya Heat Transfer Technologies (HTT) 和 Nlyte Software 等提供数据中心管理软件或利用该技术的基于云的服务的供应商的可用性，一些企业或托管服务提供商没有相同规模或专业知识已成为机器学习的早期采用者。根据 IDC 的数据，到 2022 年，由于嵌入式 AI 技术，数据中心 50% 的 IT 资产将独立运行。许多整体运营，包括规划和设计、工作负载、正常运行时间和成本管理，都可以使用机器学习在数据中心进行优化。以下是当今数据中心管理中机器学习的一些最大用例：

•提高数据中心的效率：企业可以使用机器学习来自主管理其数据中心的物理环境，而不是依赖软件警报。这将涉及软件实时更改数据中心的架构和物理布局。

•容量规划：数据中心中的机器学习可以帮助 IT 公司预测需求，这样他们就不会耗尽空间、电力、冷却或 IT 资源。算法可以帮助公司确定转移如何影响设施的容量，例如，如果它正在整合数据中心并将应用程序和数据移动到中央数据中心。

•降低运营风险：防止停机是数据中心运营商的一项关键任务，机器学习可以更容易地预测和预防。数据中心管理中的机器学习软件跟踪关键组件的性能数据，如冷却和电源管理系统，并预测设备何时可能出现故障。因此，您可以对这些系统进行预防性维护并避免代价高昂的停机。

•使用智能数据减少客户流失：公司可以在数据中心使用机器学习来更好地了解客户，并可能预测客户行为。通过将机器学习软件与客户关系管理 (CRM) 系统集成，人工智能驱动的数据中心可能能够从历史数据库中搜索和检索通常不用于 CRM 的数据，这将使 CRM 系统能够开发新的潜在客户或客户成功策略。

•预算影响分析和建模：该技术将来自数据中心的运营和性能数据与财务数据（尤其是适用税收信息）相结合，以帮助确定购买和维护 IT 设备的价格。机器学习可以检查数 TB 的历史数据，并在几分之一秒内将参数应用于其决策，因为它的行动速度比任何人都快。当您跟踪数据中心中的所有活动时，这很有帮助。供应商和数据中心运营商利用机器学习解决的两个主要问题是提高效率和降低风险。例如，拥有 200 多个数据中心的全球最大托管服务提供商 Digital Realty Trust 最近开始测试机器学习技术。人类消耗和处理维持基础设施所需的大量底层系统、设备和数据的能力很快就会耗尽。由于其卓越的实时处理、反应、沟通和决策能力，Digital Realty 将从中受益。基本结论是，数据中心运营商在利用 AI/ML 方面有很多选择，而且随着技术变得更加实惠和先进，将会有更多选择。美好的未来就在眼前。