Ռոբոտներ տվյալների կենտրոնում. ինչպե՞ս կարող է արհեստական ​​ինտելեկտը օգտակար լինել:

Տնտեսության թվային վերափոխման գործընթացում մարդկությունը ստիպված է ավելի ու ավելի շատ տվյալների մշակման կենտրոններ կառուցել։ Տվյալների կենտրոններն իրենք նույնպես պետք է փոխակերպվեն. դրանց սխալների հանդուրժողականության և էներգաարդյունավետության խնդիրները այժմ ավելի կարևոր են, քան երբևէ: Հաստատությունները սպառում են հսկայական քանակությամբ էլեկտրաէներգիա, և դրանցում տեղակայված կարևոր ՏՏ ենթակառուցվածքի խափանումները ծախսատար են բիզնեսի համար: Արհեստական ​​ինտելեկտը և մեքենայական ուսուցման տեխնոլոգիաները օգնության են հասնում ինժեներներին. վերջին տարիներին դրանք ավելի ու ավելի են օգտագործվում տվյալների ավելի առաջադեմ կենտրոններ ստեղծելու համար: Այս մոտեցումը մեծացնում է հարմարությունների առկայությունը, նվազեցնում է խափանումների թիվը և նվազեցնում գործառնական ծախսերը:

Ինչպես է դա աշխատում.

Արհեստական ​​ինտելեկտը և մեքենայական ուսուցման տեխնոլոգիաները օգտագործվում են գործառնական որոշումների կայացման ավտոմատացման համար՝ հիմնված տարբեր սենսորներից հավաքված տվյալների վրա: Որպես կանոն, նման գործիքները ինտեգրված են DCIM (Data Center Infrastructure Management) դասի համակարգերի հետ և թույլ են տալիս կանխատեսել արտակարգ իրավիճակների առաջացումը, ինչպես նաև օպտիմալացնել ՏՏ սարքավորումների, ինժեներական ենթակառուցվածքի և նույնիսկ սպասարկող անձնակազմի աշխատանքը: Շատ հաճախ արտադրողները տվյալների կենտրոնների սեփականատերերին առաջարկում են ամպային ծառայություններ, որոնք կուտակում և մշակում են բազմաթիվ հաճախորդների տվյալները: Նման համակարգերը ընդհանրացնում են տվյալների տարբեր կենտրոնների գործարկման փորձը և, հետևաբար, ավելի լավ են աշխատում, քան տեղական արտադրանքները:

ՏՏ ենթակառուցվածքի կառավարում

HPE-ն խթանում է ամպային կանխատեսող վերլուծական ծառայությունը ԻնֆոՍայթ կառավարել ՏՏ ենթակառուցվածքը, որը կառուցված է Nimble Storage և HPE 3PAR StoreServ պահեստավորման համակարգերի, HPE ProLiant DL/ML/BL սերվերների, HPE Apollo դարակաշարերի և HPE Synergy հարթակի վրա: InfoSight-ը վերլուծում է սարքավորումներում տեղադրված սենսորների ընթերցումները՝ մշակելով ավելի քան մեկ միլիոն իրադարձություն վայրկյանում և անընդհատ ինքնուրույն սովորելով: Ծառայությունը ոչ միայն հայտնաբերում է անսարքությունները, այլ նաև կանխատեսում է ՏՏ ենթակառուցվածքի հետ կապված հնարավոր խնդիրները (սարքավորումների խափանումներ, պահեստավորման հզորության սպառում, վիրտուալ մեքենաների աշխատանքի նվազում և այլն) նույնիսկ դրանց առաջանալը: Կանխատեսող վերլուծության համար VoltDB ծրագրակազմը տեղադրվում է ամպի մեջ՝ օգտագործելով ավտոռեգեսիվ կանխատեսման մոդելներ և հավանականական մեթոդներ: Նմանատիպ լուծում հասանելի է Tegile Systems-ի հիբրիդային պահեստավորման համակարգերի համար. IntelliCare Cloud Analytics ամպային ծառայությունը վերահսկում է սարքերի առողջությունը, կատարումը և ռեսուրսների օգտագործումը: Արհեստական ​​ինտելեկտը և մեքենայական ուսուցման տեխնոլոգիաները նույնպես օգտագործվում են Dell EMC-ի կողմից իր բարձր արդյունավետությամբ հաշվողական լուծումներում: Նմանատիպ օրինակները շատ են՝ հաշվողական սարքավորումների և տվյալների պահպանման համակարգերի գրեթե բոլոր առաջատար արտադրողներն այժմ գնում են այս ճանապարհով:

Էլեկտրաէներգիայի մատակարարում և հովացում

Տվյալների կենտրոններում AI-ի կիրառման մեկ այլ ոլորտ կապված է ինժեներական ենթակառուցվածքի կառավարման և, առաջին հերթին, հովացման հետ, որի մասնաբաժինը օբյեկտի ընդհանուր էներգիայի սպառման մեջ կարող է գերազանցել 30%-ը։ Google-ն առաջիններից մեկն էր, ով մտածեց խելացի սառեցման մասին. 2016 թվականին DeepMind-ի հետ համատեղ այն զարգացրեց. արհեստական ​​ինտելեկտի համակարգ տվյալների կենտրոնի առանձին բաղադրիչների մոնիտորինգի համար, ինչը նվազեցրել է օդորակման էներգիայի ծախսերը 40%-ով: Սկզբում այն ​​միայն հուշումներ էր տալիս անձնակազմին, բայց հետագայում բարելավվեց և այժմ կարող է ինքնուրույն վերահսկել մեքենայական սենյակների սառեցումը: Ամպում տեղակայված նեյրոնային ցանցը մշակում է հազարավոր ներքին և արտաքին սենսորների տվյալները. այն որոշումներ է կայացնում՝ հաշվի առնելով սերվերների ծանրաբեռնվածությունը, ջերմաստիճանը, ինչպես նաև դրսում քամու արագությունը և շատ այլ պարամետրեր: Ամպային համակարգի առաջարկած հրահանգներն ուղարկվում են տվյալների կենտրոն և այնտեղ դրանք ևս մեկ անգամ ստուգվում են տեղական համակարգերի կողմից անվտանգության համար, մինչդեռ անձնակազմը միշտ կարող է անջատել ավտոմատ ռեժիմը և սկսել ձեռքով կառավարել հովացումը: Nlyte Software-ը IBM Watson թիմի հետ համատեղ ստեղծել է որոշում, որը հավաքում է տվյալներ ջերմաստիճանի և խոնավության, էներգիայի սպառման և ՏՏ սարքավորումների ծանրաբեռնվածության վերաբերյալ։ Այն թույլ է տալիս օպտիմալացնել ինժեներական ենթահամակարգերի աշխատանքը և չի պահանջում միացում արտադրողի ամպային ենթակառուցվածքին. անհրաժեշտության դեպքում լուծումը կարող է տեղակայվել անմիջապես տվյալների կենտրոնում:

Այլ օրինակներ

Շուկայում կան բազմաթիվ նորարարական խելացի լուծումներ տվյալների կենտրոնների համար, և անընդհատ հայտնվում են նորերը: Wave2Wave-ը ստեղծել է ռոբոտային օպտիկամանրաթելային մալուխի միացման համակարգ՝ տվյալների կենտրոնի ներսում երթևեկության փոխանակման հանգույցներում (Meet Me Rooms) ավտոմատ կազմակերպելու համար: Համակարգը, որը մշակվել է ROOT Data Center-ի և LitBit-ի կողմից, օգտագործում է AI-ն՝ վերահսկելու պահեստային դիզելային գեներատորների հավաքածուները, և Romonet-ը ստեղծել է ինքնաուսուցման ծրագրային լուծում ենթակառուցվածքների օպտիմալացման համար: Vigilent-ի կողմից ստեղծված լուծումներն օգտագործում են մեքենայական ուսուցում՝ կանխատեսելու ձախողումները և օպտիմալացնելու ջերմաստիճանի պայմանները տվյալների կենտրոնի տարածքներում: Արհեստական ​​ինտելեկտի, մեքենայական ուսուցման և այլ նորարարական տեխնոլոգիաների ներդրումը տվյալների կենտրոններում գործընթացների ավտոմատացման համար սկսվել է համեմատաբար վերջերս, բայց այսօր սա արդյունաբերության զարգացման ամենահեռանկարային ոլորտներից մեկն է: Այսօրվա տվյալների կենտրոնները չափազանց մեծ և բարդ են դարձել ձեռքով արդյունավետ կառավարելու համար:

Source: www.habr.com