I processen med digital transformation af økonomien er menneskeheden nødt til at bygge flere og flere databehandlingscentre. Datacentrene selv skal også transformeres: spørgsmål om deres fejltolerance og energieffektivitet er nu vigtigere end nogensinde. Faciliteter forbruger enorme mængder elektricitet, og fejl i kritisk it-infrastruktur placeret i dem er dyre for virksomhederne. Kunstig intelligens og maskinlæringsteknologier kommer ingeniører til hjælp – i de senere år er de i stigende grad blevet brugt til at skabe mere avancerede datacentre. Denne tilgang øger tilgængeligheden af faciliteter, reducerer antallet af fejl og reducerer driftsomkostningerne.
Hvordan fungerer det?
Kunstig intelligens og maskinlæringsteknologier bruges til at automatisere operationel beslutningstagning baseret på data indsamlet fra forskellige sensorer. Som regel er sådanne værktøjer integreret med DCIM (Data Center Infrastructure Management) klassesystemer og giver dig mulighed for at forudsige forekomsten af nødsituationer samt optimere driften af IT-udstyr, ingeniørinfrastruktur og endda servicepersonale. Meget ofte tilbyder producenter cloud-tjenester til datacenterejere, der akkumulerer og behandler data fra mange kunder. Sådanne systemer generaliserer oplevelsen af at drive forskellige datacentre og fungerer derfor bedre end lokale produkter.
IT-infrastrukturstyring
HPE fremmer cloud prædiktiv analysetjeneste til at administrere IT-infrastruktur bygget på Nimble Storage og HPE 3PAR StoreServ storagesystemer, HPE ProLiant DL/ML/BL servere, HPE Apollo rack-systemer og HPE Synergy platformen. InfoSight analyserer aflæsningerne af sensorer installeret i udstyr, behandler mere end en million hændelser i sekundet og er konstant selvlærende. Tjenesten registrerer ikke kun fejl, men forudsiger også mulige problemer med IT-infrastrukturen (udstyrsfejl, opbrugt lagerkapacitet, nedsat ydeevne på virtuelle maskiner osv.), allerede før de opstår. Til prædiktiv analyse er VoltDB-software implementeret i skyen ved hjælp af autoregressive prognosemodeller og probabilistiske metoder. En lignende løsning er tilgængelig for hybrid-lagringssystemer fra Tegile Systems: IntelliCare Cloud Analytics-skytjenesten overvåger enheders sundhed, ydeevne og ressourceforbrug. Kunstig intelligens og maskinlæringsteknologier bruges også af Dell EMC i deres højtydende computerløsninger. Der er mange lignende eksempler; næsten alle førende producenter af computerudstyr og datalagringssystemer følger nu denne vej.
Strømforsyning og køling
Et andet anvendelsesområde for AI i datacentre er relateret til styring af teknisk infrastruktur og frem for alt køling, hvis andel i det samlede energiforbrug for et anlæg kan overstige 30%. Google var en af de første til at tænke på smart køling: i 2016 udviklede det sammen med DeepMind til overvågning af individuelle datacenterkomponenter, hvilket reducerede energiomkostningerne til aircondition med 40 %. I starten gav den kun tip til personalet, men blev efterfølgende forbedret og kan nu selvstændigt styre kølingen af maskinrum. Et neuralt netværk implementeret i skyen behandler data fra tusindvis af indendørs og udendørs sensorer: det træffer beslutninger under hensyntagen til belastningen på servere, temperatur samt vindhastighed udenfor og mange andre parametre. Instruktionerne fra cloud-systemet sendes til datacentret og der bliver de igen tjekket for sikkerhed af lokale systemer, mens personalet altid kan slå den automatiske tilstand fra og begynde at styre kølingen manuelt. Nlyte Software sammen med IBM Watson-teamet oprettet , som indsamler data om temperatur og luftfugtighed, energiforbrug og belastning på it-udstyr. Det giver dig mulighed for at optimere driften af tekniske undersystemer og kræver ikke forbindelse til producentens cloud-infrastruktur - om nødvendigt kan løsningen implementeres direkte i datacentret.
Flere eksempler
Der findes en masse innovative smarte løsninger til datacentre på markedet, og der kommer hele tiden nye til. Wave2Wave har skabt et robotiseret fiberoptisk kabel-omskiftningssystem til automatisk at organisere krydsforbindelser i trafikudvekslingsknudepunkter (Meet Me Rooms) inde i datacentret. Systemet udviklet af ROOT Data Center og LitBit bruger AI til at overvåge backup-dieselgeneratorsæt, og Romonet har skabt en selvlærende softwareløsning til optimering af infrastruktur. Løsningerne skabt af Vigilent bruger maskinlæring til at forudsige fejl og optimere temperaturforhold i datacenterlokaler. Introduktionen af kunstig intelligens, maskinlæring og andre innovative teknologier til procesautomatisering i datacentre begyndte relativt for nylig, men i dag er dette et af de mest lovende områder inden for industriudvikling. Nutidens datacentre er blevet for store og komplekse til at kunne administreres effektivt manuelt.
Kilde: www.habr.com