មនុស្សយន្តនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ៖ តើបញ្ញាសិប្បនិម្មិតអាចមានប្រយោជន៍យ៉ាងដូចម្តេច?

នៅក្នុងដំណើរការនៃការផ្លាស់ប្តូរឌីជីថលនៃសេដ្ឋកិច្ច មនុស្សជាតិត្រូវបង្កើតមជ្ឈមណ្ឌលដំណើរការទិន្នន័យកាន់តែច្រើនឡើង។ មជ្ឈមណ្ឌលទិន្នន័យខ្លួនឯងក៏ត្រូវតែផ្លាស់ប្តូរផងដែរ៖ បញ្ហានៃការអត់ឱនកំហុសរបស់ពួកគេ និងប្រសិទ្ធភាពថាមពលឥឡូវនេះមានសារៈសំខាន់ជាងពេលណាទាំងអស់។ គ្រឿងបរិក្ខារប្រើប្រាស់ថាមពលអគ្គិសនីយ៉ាងច្រើន ហើយការបរាជ័យនៃហេដ្ឋារចនាសម្ព័ន្ធព័ត៌មានវិទ្យាសំខាន់ៗដែលមានទីតាំងនៅក្នុងនោះ មានតម្លៃថ្លៃដល់អាជីវកម្ម។ បច្ចេកវិទ្យាបញ្ញាសិប្បនិមិត្ត និងបច្ចេកវិជ្ជារៀនម៉ាស៊ីនកំពុងមករកជំនួយពីវិស្វករ - ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ ពួកគេត្រូវបានប្រើប្រាស់កាន់តែខ្លាំងឡើងដើម្បីបង្កើតមជ្ឈមណ្ឌលទិន្នន័យកម្រិតខ្ពស់បន្ថែមទៀត។ វិធីសាស្រ្តនេះបង្កើនភាពអាចរកបាននៃគ្រឿងបរិក្ខារកាត់បន្ថយចំនួននៃការបរាជ័យនិងកាត់បន្ថយការចំណាយប្រតិបត្តិការ។

តើវាដំណើរការយ៉ាងដូចម្តេច?

បច្ចេកវិទ្យាបញ្ញាសិប្បនិមិត្ត និងបច្ចេកវិទ្យារៀនម៉ាស៊ីន ត្រូវបានប្រើដើម្បីធ្វើការសម្រេចចិត្តប្រតិបត្តិការដោយស្វ័យប្រវត្តិដោយផ្អែកលើទិន្នន័យដែលប្រមូលបានពីឧបករណ៍ចាប់សញ្ញាផ្សេងៗ។ តាមក្បួនមួយ ឧបករណ៍បែបនេះត្រូវបានរួមបញ្ចូលជាមួយប្រព័ន្ធថ្នាក់ DCIM (ការគ្រប់គ្រងហេដ្ឋារចនាសម្ព័ន្ធមជ្ឈមណ្ឌលទិន្នន័យ) និងអនុញ្ញាតឱ្យអ្នកទស្សន៍ទាយការកើតឡើងនៃស្ថានភាពអាសន្ន ក៏ដូចជាបង្កើនប្រសិទ្ធភាពប្រតិបត្តិការនៃឧបករណ៍ IT ហេដ្ឋារចនាសម្ព័ន្ធវិស្វកម្ម និងសូម្បីតែបុគ្គលិកសេវាកម្ម។ ជាញឹកញាប់ណាស់ ក្រុមហ៊ុនផលិតផ្តល់សេវាពពកដល់ម្ចាស់មជ្ឈមណ្ឌលទិន្នន័យដែលប្រមូលផ្តុំ និងដំណើរការទិន្នន័យពីអតិថិជនជាច្រើន។ ប្រព័ន្ធបែបនេះធ្វើឱ្យបទពិសោធន៍ទូទៅនៃប្រតិបត្តិការមជ្ឈមណ្ឌលទិន្នន័យផ្សេងៗគ្នា ហើយដូច្នេះដំណើរការប្រសើរជាងផលិតផលក្នុងស្រុក។

ការគ្រប់គ្រងហេដ្ឋារចនាសម្ព័ន្ធ IT

HPE ផ្សព្វផ្សាយសេវាកម្មវិភាគព្យាករណ៍លើពពក InfoSight ដើម្បីគ្រប់គ្រងហេដ្ឋារចនាសម្ព័ន្ធ IT ដែលបង្កើតឡើងនៅលើ Nimble Storage និង HPE 3PAR StoreServ ប្រព័ន្ធផ្ទុកទិន្នន័យ ម៉ាស៊ីនមេ HPE ProLiant DL/ML/BL ប្រព័ន្ធ HPE Apollo rack និងវេទិកា HPE Synergy ។ InfoSight វិភាគការអានឧបករណ៍ចាប់សញ្ញាដែលបានដំឡើងនៅក្នុងឧបករណ៍ ដំណើរការច្រើនជាងមួយលានព្រឹត្តិការណ៍ក្នុងមួយវិនាទី និងការរៀនដោយខ្លួនឯងឥតឈប់ឈរ។ សេវាកម្មនេះមិនត្រឹមតែរកឃើញកំហុសប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងព្យាករណ៍ពីបញ្ហាដែលអាចកើតមានជាមួយនឹងហេដ្ឋារចនាសម្ព័ន្ធ IT (ការបរាជ័យឧបករណ៍ ការអស់សមត្ថភាពផ្ទុក ការថយចុះដំណើរការនៃម៉ាស៊ីននិម្មិត។ល។) សូម្បីតែមុនពេលវាកើតឡើងក៏ដោយ។ សម្រាប់ការវិភាគទស្សន៍ទាយ កម្មវិធី VoltDB ត្រូវបានដាក់ពង្រាយក្នុងពពក ដោយប្រើគំរូការព្យាករណ៍ autoregressive និងវិធីសាស្រ្ត probabilistic ។ ដំណោះស្រាយស្រដៀងគ្នានេះមានសម្រាប់ប្រព័ន្ធផ្ទុកកូនកាត់ពីប្រព័ន្ធ Tegile៖ សេវាពពក IntelliCare Cloud Analytics ត្រួតពិនិត្យសុខភាព ដំណើរការ និងការប្រើប្រាស់ធនធាននៃឧបករណ៍។ បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត និងម៉ាស៊ីនរៀនក៏ត្រូវបានប្រើប្រាស់ដោយ Dell EMC នៅក្នុងដំណោះស្រាយកុំព្យូទ័រដែលមានប្រសិទ្ធភាពខ្ពស់ផងដែរ។ មានឧទាហរណ៍ស្រដៀងគ្នាជាច្រើន ក្រុមហ៊ុនផលិតឧបករណ៍កុំព្យូទ័រ និងប្រព័ន្ធផ្ទុកទិន្នន័យឈានមុខគេស្ទើរតែទាំងអស់កំពុងដើរតាមគន្លងនេះ។

ការផ្គត់ផ្គង់ថាមពលនិងត្រជាក់

ផ្នែកមួយទៀតនៃការអនុវត្ត AI នៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យគឺទាក់ទងទៅនឹងការគ្រប់គ្រងហេដ្ឋារចនាសម្ព័ន្ធវិស្វកម្ម ហើយលើសពីនេះទៅទៀត ភាពត្រជាក់ ចំណែកនៃការប្រើប្រាស់ថាមពលសរុបរបស់ឧបករណ៍អាចលើសពី 30% ។ Google គឺជាក្រុមហ៊ុនដំបូងគេដែលគិតអំពីភាពត្រជាក់ដ៏ឆ្លាតវៃ៖ ក្នុងឆ្នាំ 2016 រួមជាមួយ DeepMind វាបានអភិវឌ្ឍ ប្រព័ន្ធបញ្ញាសិប្បនិម្មិត សម្រាប់ការត្រួតពិនិត្យសមាសធាតុនៃមជ្ឈមណ្ឌលទិន្នន័យបុគ្គល ដែលកាត់បន្ថយការចំណាយថាមពលសម្រាប់ម៉ាស៊ីនត្រជាក់ 40% ។ ដំបូងឡើយ វាគ្រាន់តែផ្តល់ការណែនាំដល់បុគ្គលិកប៉ុណ្ណោះ ប៉ុន្តែត្រូវបានកែលម្អជាបន្តបន្ទាប់ ហើយឥឡូវនេះអាចគ្រប់គ្រងភាពត្រជាក់នៃបន្ទប់ម៉ាស៊ីនដោយឯករាជ្យ។ បណ្តាញសរសៃប្រសាទដែលដាក់ពង្រាយក្នុងពពកដំណើរការទិន្នន័យពីឧបករណ៍ចាប់សញ្ញាខាងក្នុង និងខាងក្រៅរាប់ពាន់៖ វាធ្វើការសម្រេចចិត្តដោយគិតគូរពីបន្ទុកលើម៉ាស៊ីនមេ សីតុណ្ហភាព ក៏ដូចជាល្បឿនខ្យល់នៅខាងក្រៅ និងប៉ារ៉ាម៉ែត្រជាច្រើនទៀត។ ការណែនាំដែលផ្តល់ដោយប្រព័ន្ធពពកត្រូវបានផ្ញើទៅកាន់មជ្ឈមណ្ឌលទិន្នន័យ ហើយនៅទីនោះពួកគេត្រូវបានត្រួតពិនិត្យម្តងទៀតសម្រាប់សុវត្ថិភាពដោយប្រព័ន្ធក្នុងតំបន់ ខណៈដែលបុគ្គលិកតែងតែអាចបិទរបៀបស្វ័យប្រវត្តិ និងចាប់ផ្តើមគ្រប់គ្រងម៉ាស៊ីនត្រជាក់ដោយដៃ។ កម្មវិធី Nlyte រួមគ្នាជាមួយក្រុម IBM Watson បានបង្កើត ការសម្រេចចិត្តដែលប្រមូលទិន្នន័យអំពីសីតុណ្ហភាព និងសំណើម ការប្រើប្រាស់ថាមពល និងការផ្ទុកនៅលើឧបករណ៍ IT ។ វាអនុញ្ញាតឱ្យអ្នកបង្កើនប្រសិទ្ធភាពប្រតិបត្តិការនៃប្រព័ន្ធរងវិស្វកម្ម និងមិនតម្រូវឱ្យមានការតភ្ជាប់ទៅហេដ្ឋារចនាសម្ព័ន្ធពពករបស់អ្នកផលិត - បើចាំបាច់ ដំណោះស្រាយអាចត្រូវបានដាក់ឱ្យប្រើប្រាស់ដោយផ្ទាល់នៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ។

ឧទាហរណ៍ផ្សេងទៀត

មានដំណោះស្រាយឆ្លាតវៃច្នៃប្រឌិតជាច្រើនសម្រាប់មជ្ឈមណ្ឌលទិន្នន័យនៅលើទីផ្សារ ហើយដំណោះស្រាយថ្មីៗកំពុងលេចឡើងឥតឈប់ឈរ។ Wave2Wave បានបង្កើតប្រព័ន្ធប្តូរខ្សែខ្សែកាបអុបទិកមនុស្សយន្ត ដើម្បីរៀបចំការតភ្ជាប់ឆ្លងកាត់ដោយស្វ័យប្រវត្តិនៅក្នុងថ្នាំងផ្លាស់ប្តូរចរាចរណ៍ (បន្ទប់ជួបខ្ញុំ) នៅខាងក្នុងមជ្ឈមណ្ឌលទិន្នន័យ។ ប្រព័ន្ធដែលបង្កើតឡើងដោយ ROOT Data Center និង LitBit ប្រើ AI ដើម្បីត្រួតពិនិត្យសំណុំម៉ាស៊ីនភ្លើងម៉ាស៊ូតបម្រុងទុក ហើយ Romonet បានបង្កើតដំណោះស្រាយកម្មវិធីសិក្សាដោយខ្លួនឯងសម្រាប់ការបង្កើនប្រសិទ្ធភាពហេដ្ឋារចនាសម្ព័ន្ធ។ ដំណោះស្រាយដែលបង្កើតឡើងដោយ Vigilent ប្រើ machine learning ដើម្បីទស្សន៍ទាយការបរាជ័យ និងបង្កើនប្រសិទ្ធភាពលក្ខខណ្ឌសីតុណ្ហភាពនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ។ ការដាក់ឱ្យប្រើប្រាស់បញ្ញាសិប្បនិមិត្ត ការរៀនម៉ាស៊ីន និងបច្ចេកវិទ្យាច្នៃប្រឌិតផ្សេងទៀតសម្រាប់ដំណើរការស្វ័យប្រវត្តិកម្មនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យបានចាប់ផ្តើមនាពេលថ្មីៗនេះ ប៉ុន្តែសព្វថ្ងៃនេះនេះគឺជាផ្នែកមួយក្នុងចំណោមវិស័យដែលមានសក្តានុពលបំផុតនៃការអភិវឌ្ឍន៍ឧស្សាហកម្ម។ មជ្ឈមណ្ឌលទិន្នន័យសព្វថ្ងៃនេះបានក្លាយទៅជាធំ និងស្មុគ្រស្មាញមិនអាចគ្រប់គ្រងដោយដៃប្រកបដោយប្រសិទ្ធភាព។

ប្រភព: www.habr.com