ຫຸ່ນຍົນໃນສູນຂໍ້ມູນ: ປັນຍາປະດິດມີປະໂຫຍດແນວໃດ?

ໃນ​ຂະ​ບວນ​ການ​ຫັນ​ເປັນ​ດິ​ຈິ​ຕອນ​ຂອງ​ເສດ​ຖະ​ກິດ, ມະ​ນຸດ​ຕ້ອງ​ສ້າງ​ສູນ​ປຸງ​ແຕ່ງ​ຂໍ້​ມູນ​ນັບ​ມື້​ນັບ​ຫຼາຍ​ຂຶ້ນ. ສູນຂໍ້ມູນຕົນເອງຍັງຕ້ອງໄດ້ຮັບການຫັນ: ບັນຫາຂອງຄວາມທົນທານຕໍ່ຄວາມຜິດພາດຂອງເຂົາເຈົ້າແລະປະສິດທິພາບພະລັງງານໃນປັດຈຸບັນມີຄວາມສໍາຄັນຫຼາຍກ່ວາເຄີຍ. ສິ່ງອໍານວຍຄວາມສະດວກຕ່າງໆບໍລິໂພກໄຟຟ້າເປັນຈໍານວນຫຼວງຫຼາຍ, ແລະຄວາມລົ້ມເຫຼວຂອງໂຄງສ້າງພື້ນຖານ IT ທີ່ສໍາຄັນທີ່ຢູ່ພາຍໃນພວກມັນແມ່ນຄ່າໃຊ້ຈ່າຍຕໍ່ທຸລະກິດ. ເທັກໂນໂລຍີປັນຍາປະດິດ ແລະການຮຽນຮູ້ເຄື່ອງຈັກກຳລັງມາຊ່ວຍວິສະວະກອນ - ໃນຊຸມປີມໍ່ໆມານີ້ ເຂົາເຈົ້າໄດ້ນຳໃຊ້ເຂົ້າໃນການສ້າງສູນຂໍ້ມູນແບບພິເສດຫຼາຍຂຶ້ນ. ວິທີການນີ້ເພີ່ມຄວາມພ້ອມຂອງສິ່ງອໍານວຍຄວາມສະດວກ, ຫຼຸດຜ່ອນຈໍານວນຄວາມລົ້ມເຫລວແລະຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນການດໍາເນີນງານ.

ມັນບໍ່ໄດ້ແນວໃດເຮັດວຽກ?

ເທັກໂນໂລຍີປັນຍາປະດິດ ແລະການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນໃຊ້ເພື່ອອັດຕະໂນມັດການຕັດສິນໃຈໃນການປະຕິບັດງານໂດຍອີງໃສ່ຂໍ້ມູນທີ່ເກັບກໍາຈາກເຊັນເຊີຕ່າງໆ. ຕາມກົດລະບຽບ, ເຄື່ອງມືດັ່ງກ່າວໄດ້ຖືກປະສົມປະສານກັບລະບົບຊັ້ນຮຽນ DCIM (ການຄຸ້ມຄອງໂຄງສ້າງພື້ນຖານຂອງສູນຂໍ້ມູນ) ແລະຊ່ວຍໃຫ້ທ່ານສາມາດຄາດຄະເນການເກີດຂື້ນຂອງສະຖານະການສຸກເສີນ, ເຊັ່ນດຽວກັນກັບການເພີ່ມປະສິດທິພາບຂອງອຸປະກອນໄອທີ, ໂຄງສ້າງພື້ນຖານດ້ານວິສະວະກໍາແລະແມ້ກະທັ້ງພະນັກງານບໍລິການ. ເລື້ອຍໆ, ຜູ້ຜະລິດໃຫ້ບໍລິການຟັງກັບເຈົ້າຂອງສູນຂໍ້ມູນທີ່ສະສົມແລະປະມວນຜົນຂໍ້ມູນຈາກລູກຄ້າຈໍານວນຫຼາຍ. ລະບົບດັ່ງກ່າວໂດຍທົ່ວໄປເຮັດໃຫ້ປະສົບການຂອງການດໍາເນີນງານຂອງສູນຂໍ້ມູນທີ່ແຕກຕ່າງກັນ, ແລະດັ່ງນັ້ນຈຶ່ງເຮັດວຽກໄດ້ດີກວ່າຜະລິດຕະພັນທ້ອງຖິ່ນ.

ການຄຸ້ມຄອງພື້ນຖານໂຄງລ່າງ IT

HPE ສົ່ງເສີມການບໍລິການການວິເຄາະການຄາດເດົາຄລາວ InfoSight ເພື່ອຈັດການໂຄງສ້າງພື້ນຖານດ້ານໄອທີທີ່ສ້າງຂຶ້ນໃນ Nimble Storage ແລະລະບົບການເກັບຮັກສາ HPE 3PAR StoreServ, ເຊີບເວີ HPE ProLiant DL/ML/BL, ລະບົບ rack HPE Apollo ແລະແພລະຕະຟອມ HPE Synergy. InfoSight ວິເຄາະການອ່ານຂອງເຊັນເຊີທີ່ຕິດຕັ້ງຢູ່ໃນອຸປະກອນ, ປະມວນຜົນຫຼາຍກວ່າຫນຶ່ງລ້ານເຫດການຕໍ່ວິນາທີແລະການຮຽນຮູ້ດ້ວຍຕົນເອງຢ່າງຕໍ່ເນື່ອງ. ການບໍລິການບໍ່ພຽງແຕ່ກວດພົບຂໍ້ບົກພ່ອງ, ແຕ່ຍັງຄາດຄະເນບັນຫາທີ່ເປັນໄປໄດ້ກັບໂຄງສ້າງພື້ນຖານ IT (ຄວາມລົ້ມເຫຼວຂອງອຸປະກອນ, ຄວາມອາດສາມາດໃນການເກັບຮັກສາ, ການຫຼຸດລົງຂອງເຄື່ອງຈັກ virtual, ແລະອື່ນໆ) ເຖິງແມ່ນວ່າກ່ອນທີ່ມັນຈະເກີດຂຶ້ນ. ສໍາລັບການວິເຄາະການຄາດເດົາ, ຊອບແວ VoltDB ຖືກນໍາໄປໃຊ້ຢູ່ໃນເມຄ, ໂດຍໃຊ້ແບບຈໍາລອງການຄາດເດົາແບບອັດຕະໂນມັດແລະວິທີການທີ່ເປັນໄປໄດ້. ການແກ້ໄຂທີ່ຄ້າຍຄືກັນແມ່ນມີໃຫ້ສໍາລັບລະບົບການເກັບຮັກສາແບບປະສົມຈາກ Tegile Systems: ການບໍລິການຄລາວຂອງ IntelliCare Cloud Analytics ຕິດຕາມກວດກາສຸຂະພາບ, ປະສິດທິພາບແລະການນໍາໃຊ້ຊັບພະຍາກອນຂອງອຸປະກອນ. ເທັກໂນໂລຍີປັນຍາປະດິດ ແລະການຮຽນຮູ້ເຄື່ອງຈັກຍັງຖືກໃຊ້ໂດຍ Dell EMC ໃນການແກ້ໄຂຄອມພິວເຕີທີ່ມີປະສິດທິພາບສູງ. ມີຕົວຢ່າງທີ່ຄ້າຍຄືກັນຫຼາຍ; ເກືອບທັງຫມົດຜູ້ຜະລິດຊັ້ນນໍາຂອງອຸປະກອນຄອມພິວເຕີ້ແລະລະບົບການເກັບຮັກສາຂໍ້ມູນແມ່ນປະຕິບັດຕາມເສັ້ນທາງນີ້.

ການສະຫນອງພະລັງງານແລະຄວາມເຢັນ

ພື້ນທີ່ອື່ນຂອງການນໍາໃຊ້ AI ໃນສູນຂໍ້ມູນແມ່ນກ່ຽວຂ້ອງກັບການຄຸ້ມຄອງໂຄງສ້າງພື້ນຖານດ້ານວິສະວະກໍາແລະ, ເຫນືອສິ່ງທັງຫມົດ, ຄວາມເຢັນ, ສ່ວນແບ່ງຂອງການບໍລິໂພກພະລັງງານທັງຫມົດຂອງສະຖານທີ່ສາມາດເກີນ 30%. Google ແມ່ນຫນຶ່ງໃນບັນດາຜູ້ທໍາອິດທີ່ຄິດກ່ຽວກັບຄວາມເຢັນທີ່ສະຫລາດ: ໃນປີ 2016, ຮ່ວມກັນກັບ DeepMind, ມັນໄດ້ພັດທະນາ. ລະບົບປັນຍາປະດິດ ສໍາລັບການກວດສອບອົງປະກອບຂອງສູນຂໍ້ມູນສ່ວນບຸກຄົນ, ເຊິ່ງຫຼຸດລົງຄ່າໃຊ້ຈ່າຍພະລັງງານສໍາລັບເຄື່ອງປັບອາກາດ 40%. ໃນເບື້ອງຕົ້ນ, ມັນພຽງແຕ່ໃຫ້ຄໍາແນະນໍາກັບພະນັກງານ, ແຕ່ຕໍ່ມາໄດ້ຖືກປັບປຸງແລະໃນປັດຈຸບັນສາມາດຄວບຄຸມຄວາມເຢັນຂອງຫ້ອງເຄື່ອງຈັກເປັນເອກະລາດ. ເຄືອຂ່າຍ neural ທີ່ໃຊ້ຢູ່ໃນຄລາວປະມວນຜົນຂໍ້ມູນຈາກເຊັນເຊີພາຍໃນແລະນອກຫລາຍພັນເຊັນ: ມັນເຮັດໃຫ້ການຕັດສິນໃຈຄໍານຶງເຖິງການໂຫຼດຢູ່ໃນເຄື່ອງແມ່ຂ່າຍ, ອຸນຫະພູມ, ເຊັ່ນດຽວກັນກັບຄວາມໄວລົມພາຍນອກແລະຕົວກໍານົດການອື່ນໆຈໍານວນຫຼາຍ. ຄໍາແນະນໍາທີ່ສະເຫນີໂດຍລະບົບຟັງແມ່ນຖືກສົ່ງໄປຫາສູນຂໍ້ມູນແລະຢູ່ທີ່ນັ້ນພວກເຂົາຖືກກວດສອບຄວາມປອດໄພອີກຄັ້ງໂດຍລະບົບທ້ອງຖິ່ນ, ໃນຂະນະທີ່ພະນັກງານສາມາດປິດໂຫມດອັດຕະໂນມັດແລະເລີ່ມຕົ້ນການຈັດການຄວາມເຢັນດ້ວຍຕົນເອງ. Nlyte Software ຮ່ວມກັບທີມງານ IBM Watson ສ້າງ ການຕັດສິນໃຈ, ເຊິ່ງເກັບກໍາຂໍ້ມູນກ່ຽວກັບອຸນຫະພູມແລະຄວາມຊຸ່ມຊື່ນ, ການບໍລິໂພກພະລັງງານແລະການໂຫຼດອຸປະກອນໄອທີ. ມັນຊ່ວຍໃຫ້ທ່ານສາມາດເພີ່ມປະສິດທິພາບການເຮັດວຽກຂອງລະບົບຍ່ອຍດ້ານວິສະວະກໍາແລະບໍ່ຮຽກຮ້ອງໃຫ້ມີການເຊື່ອມຕໍ່ກັບໂຄງສ້າງພື້ນຖານຂອງຟັງຂອງຜູ້ຜະລິດ - ຖ້າຈໍາເປັນ, ການແກ້ໄຂສາມາດຖືກນໍາໄປໃຊ້ໂດຍກົງໃນສູນຂໍ້ມູນ.

ຕົວຢ່າງອື່ນໆ

ມີຫຼາຍວິທີແກ້ໄຂອັດສະລິຍະນະວັດຕະກໍາສໍາລັບສູນຂໍ້ມູນໃນຕະຫຼາດແລະໃຫມ່ແມ່ນປະກົດຂຶ້ນຢ່າງຕໍ່ເນື່ອງ. Wave2Wave ໄດ້ສ້າງລະບົບສະຫຼັບສາຍເຄເບີນໃຍແສງແບບຫຸ່ນຍົນເພື່ອຈັດລະບຽບການເຊື່ອມຕໍ່ຂ້າມໃນຊ່ອງແລກປ່ຽນການຈະລາຈອນ (Meet Me Rooms) ພາຍໃນສູນຂໍ້ມູນໂດຍອັດຕະໂນມັດ. ລະບົບທີ່ພັດທະນາໂດຍ ROOT Data Center ແລະ LitBit ໃຊ້ AI ເພື່ອຕິດຕາມຊຸດເຄື່ອງກໍາເນີດກາຊວນສໍາຮອງ, ແລະ Romonet ໄດ້ສ້າງການແກ້ໄຂຊອບແວການຮຽນຮູ້ດ້ວຍຕົນເອງສໍາລັບການເພີ່ມປະສິດທິພາບໂຄງສ້າງພື້ນຖານ. ວິທີແກ້ໄຂທີ່ສ້າງໂດຍ Vigilent ໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຄາດຄະເນຄວາມລົ້ມເຫລວແລະປັບປຸງເງື່ອນໄຂອຸນຫະພູມໃນສູນຂໍ້ມູນ. ການແນະນໍາຂອງປັນຍາປະດິດ, ການຮຽນຮູ້ເຄື່ອງຈັກແລະເຕັກໂນໂລຢີໃຫມ່ໆອື່ນໆສໍາລັບການອັດຕະໂນມັດຂະບວນການໃນສູນຂໍ້ມູນໄດ້ເລີ່ມຕົ້ນຂ້ອນຂ້າງບໍ່ດົນມານີ້, ແຕ່ມື້ນີ້ແມ່ນຫນຶ່ງໃນບັນດາຂົງເຂດທີ່ມີທ່າແຮງທີ່ສຸດຂອງການພັດທະນາອຸດສາຫະກໍາ. ສູນຂໍ້ມູນໃນມື້ນີ້ໄດ້ກາຍເປັນຂະຫນາດໃຫຍ່ແລະສະລັບສັບຊ້ອນເກີນໄປທີ່ຈະຈັດການຢ່າງມີປະສິດທິພາບດ້ວຍຕົນເອງ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com