En la procezo de cifereca transformo de la ekonomio, la homaro devas konstrui pli kaj pli da datumaj centroj. Datumcentroj mem ankaŭ devas esti transformitaj: temoj de ilia misfunkciado kaj energia efikeco estas nun pli gravaj ol iam. Instalaĵoj konsumas grandegajn kvantojn da elektro, kaj fiaskoj de kritika IT-infrastrukturo situanta ene de ili estas multekostaj por entreprenoj. Artefarita inteligenteco kaj maŝinlernado teknologioj venas al la helpo de inĝenieroj - en la lastaj jaroj ili estis ĉiam pli uzataj por krei pli altnivelajn datumcentrojn. Ĉi tiu aliro pliigas la haveblecon de instalaĵoj, reduktas la nombron da fiaskoj kaj reduktas operaciajn kostojn.
Kiel ĝi funkcias?
Artefarita inteligenteco kaj maŝinlernado teknologioj estas uzataj por aŭtomatigi funkcian decidon bazitan sur datumoj kolektitaj de diversaj sensiloj. Kiel regulo, tiaj iloj estas integritaj kun klasaj sistemoj DCIM (Data Center Infrastructure Management) kaj permesas antaŭdiri la okazon de kriz-situacioj, kaj ankaŭ optimumigi la funkciadon de IT-ekipaĵo, inĝenieristiko-infrastrukturo kaj eĉ servopersonaro. Tre ofte, fabrikistoj ofertas nubservojn al datumcentraj posedantoj, kiuj amasigas kaj prilaboras datumojn de multaj klientoj. Tiaj sistemoj ĝeneraligas la sperton funkciigi malsamajn datumcentrojn, kaj tial funkcias pli bone ol lokaj produktoj.
administrado de infrastrukturoj de IT
HPE antaŭenigas nuban prognozan analizan servon
Elektroprovizo kaj malvarmigo
Alia areo de apliko de AI en datumcentroj rilatas al administrado de inĝenieristiko-infrastrukturo kaj, ĉefe, malvarmigo, kies parto en la tuta energikonsumo de instalaĵo povas superi 30%. Guglo estis unu el la unuaj, kiuj pensis pri inteligenta malvarmigo: en 2016, kune kun DeepMind, ĝi disvolvis
Aliaj ekzemploj
Estas multaj novigaj inteligentaj solvoj por datumcentroj sur la merkato kaj novaj konstante aperas. Wave2Wave kreis robotan optikan optikan ŝanĝsistemon por aŭtomate organizi kruckonektojn en trafikinterŝanĝaj nodoj (Meet Me Rooms) ene de la datumcentro. La sistemo evoluigita de ROOT Data Center kaj LitBit uzas AI por monitori rezervajn dizelgeneratorojn, kaj Romonet kreis memlernan programaran solvon por optimumigi infrastrukturon. La solvoj kreitaj de Vigilent uzas maŝinlernadon por antaŭdiri misfunkciadojn kaj optimumigi temperaturkondiĉojn en datumcentroj. La enkonduko de artefarita inteligenteco, maŝinlernado kaj aliaj novigaj teknologioj por proceza aŭtomatigo en datumcentroj komenciĝis relative lastatempe, sed hodiaŭ tio estas unu el la plej promesplenaj areoj de industrio-disvolviĝo. La hodiaŭaj datumcentroj fariĝis tro grandaj kaj kompleksaj por esti efike administritaj permane.
fonto: www.habr.com