(相关资料图)

生成式人工智能和自动化：加速未来数据中心的发展

By Nick Brackney在自动化和生成式人工智能(GenAI)时代，是时候重新思考“数据中心”的真正含义了。对于那些已经在公共云上投入了大量资金的人来说，当谈到自动化和GenAI时，数据中心可能就不是首先想到的地方，但这些技术正在迅速改变所有环境中的可能性。

10年或15年前，当企业开始通过刷信用卡绕过IT，并让开发人员自由地使用云资源时，公共云绝对是正确的举措。在大多数大型组织中，内部客户经常被忽视，或者需求没有得到充分满足。他们需要灵活性，渴望可扩展性，并且需要较低的前期成本来让孵化项目蓬勃发展。如果时间停滞不前，或许那些关于数据中心终结的可怕预言是正确的。那么为什么这个终结事件没有发生呢？因为数据中心已经适应了。现在可以在本地使用“aaS”和订阅模型，但真正的稳定力量是自动化。这给我们带来了现今的故事：GenAI以及其如何增强数据中心的自动化，使其体验几乎与公共云相当。在此之前，我们需要了解自动化和脚本在数据中心中扮演的角色。首先，先来了解一些要点，然后再解释为什么自动化和GenAI已经改变了内部部署的可能性。云运营模型和基础设施作为代码从基础开始：云的基础是基础架构即代码和将IT作为服务使用的理念。开发人员无需与存储管理员、IT运营人员或网络团队交谈即可快速启动环境并开始工作。这应该是2023年的筹码，好消息是完全有可能为自己建造它。采用这种运营模式意味着IT正在利用策略和流程以及自动化来消除环境中的摩擦。

实现云操作模型自动化后的最终体验的可视化表示自动化工具集和遥测数据如今，有许多自动化、管理和遥测/AIOps产品可以为数据中心提供无与伦比的控制和洞察。数据是人工智能和有效管理数据中心的基础。现在数据中心的控制和可见性通常是公共云中可以实现的一个超集——尽管超大规模企业在这方面也做得很好。考虑到云的多租户特性，云提供商必须模糊一些运营知识，以确保每个客户的安全。这导致架构决策限制了某些监控系统的部署方式以及可以收集的数据。一个重要的焦点是确保自己正在大量集成这些解决方案，将自动化和基础架构作为代码，测量/监视所有内容，并为所有角色使用一个内聚的工作流。通用自动化/管理堆栈的可视化表示GenAI掀起下一波IT自动化浪潮这将我们带入了包含GenAI的数据中心的下一个演进。分享一个关于过去角色的有趣故事：客户让营销顾问为物理和虚拟基础设施构建一个HCI部署实践实验室，然后没有提供任何主题专家提供帮助。那个营销顾问就是我，这可能是我从事过的最具挑战性的项目之一。我使用代码片段和YouTube教程来了解如何完成这类任务的基础。又花了数周的时间组装拼图，弄清楚每个拼图如何组合在一起。尽管我对编码不太了解，但奇迹般地成功了。总之，这是Wonderwall……意思是GenAI正在做这件事。GenAI是正在寻找的搜索引擎和代码组装机现在请注意，在我的动手实验室中，我所做的不仅仅是安装Windows Server，但毫无疑问，如果我要求它提供其余的过程，也是可以的。重要的是，在基础设施即代码的思想下，在开发人员可能不熟悉这些类型的调用或运行手册的新环境中，GenAI是一个真正可以提供帮助的新盟友。许多人没有意识到访问公共基础设施脚本是普遍存在的，而且通常是由技术企业自己编写的。硬件和软件供应商都有大型运行手册存储库，有时只需找到它们即可：进入GenAI。另一个重要的考虑因素是基础设施本身是智能且安全的。可以将这些命令推送到数千台服务器以进行远程管理。GenAI和流程构建我们听到了很多关于容器的讨论，但当我向一位客户提出这个话题时，其表示：“我甚至无法让我的VMware管理员工作18个月，你凭什么认为我可以做容器？”这可能是技术面临的最大挑战：如果没有技能，如何使用它？进入GenAI的下一个令人难以置信的减阻工具：编写或查找文档。只需两次提示，就能拥有了一个常规且非常有价值的过程文档，并且可以随时使用。长期以来，我们可以接触到大量的信息，但之前我们没有能力解析所有的信息。GenAI改变了这一切。现在，无需在代码存储库中进行搜索和筛选，只需简单的自然语言查询或提示即可准确生成所需的文档。无需花费数小时寻找答案，只需几分钟即可获得大量文档。这完全消除了拥抱技术的任何障碍。数以千计的可能性，但人工智能运营是下一个这项技术可以通过多种方式运行数据中心。下一个具有重要价值的可能是人工智能运营。丰富的遥测数据可以告诉我们很多，但也往往存在信噪比问题。我们只是在生成太多数据，供人类分析和理解。通过将这些数据推送到GenAI并使用自然语言作为界面，我们将向更广泛的受众扩展洞察力，并让我们能够提出我们在查看图表和原始数据时可能从未想到的问题。当我们使用这种数据时，解决问题的平均时间会直线下降。但是有一个巨大的缺点，这也就引出了最后一点。GenAI和自动化改变了一切，但必须谨慎使用GenAI的两个主要挑战必须得到解决。即知识产权（IP）泄露及其“产生幻觉”或编造内容的能力。下面逐一分析，并确定如何在实施过程中不受阻碍地使用这项技术。首先，来讨论一下IP泄露。在将数据发送到作为服务交付的GenAI模型的任何情况下，我们都有泄露IP的风险。就像早期的公共云和开放式S3存储桶一样，早期实验者的误用或误解中给其企业带来了风险。解决这一问题的最佳方法是制定集中式IT策略，将其插入到通用工作流程或开发管道中，最后优先考虑在本地构建自己的GenAI，以处理无法传输到AIaaS的高度敏感数据。将大型语言模型(LLM)引入内部的另一个好处是，可以使其更加精确并为其设置防护栏。这使得其生成的响应更加准确，并且符合自己的业务。护栏还可以阻止一些“幻觉”，即当GenAI被迫回答但提供不准确或编造的信息来满足请求时。这是GenAI的常见问题。事实上，这些工具都还处于起步阶段。正如大多数人会在其发布管道中进行测试一样，这也是在投入生产之前应该更加严格的领域。我非常支持人类参与其中，或人类辅助机器学习，作为减少人工智能错误的一种方式。未来是自动化的数据中心将继续存在，但可以通过GenAI和自动化进行彻底改造。这些工具可以增强工作流程，并帮助IT运营人员和开发人员实现超人的能力，但并不能直接替代人类。当推出人工智能和自动化策略时，重要的是要考虑自己想要实现的目标，以及组织适合的自动化级别。未来是光明的，任何地方的创新能力现已成为现实。