Во процесот на дигитална трансформација на економијата, човештвото треба да гради се повеќе и повеќе центри за обработка на податоци. Самите центри за податоци, исто така, мора да се трансформираат: прашањата за нивната толеранција на грешки и енергетската ефикасност сега се поважни од кога било. Објектите трошат огромни количини електрична енергија, а дефектите на критичната ИТ инфраструктура лоцирана во нив се скапи за бизнисите. Технологиите за вештачка интелигенција и машинско учење доаѓаат на помош на инженерите - во последниве години тие се повеќе се користат за создавање понапредни центри за податоци. Овој пристап ја зголемува достапноста на капацитетите, го намалува бројот на дефекти и ги намалува оперативните трошоци.
Како тоа функционира?
Технологиите за вештачка интелигенција и машинско учење се користат за автоматизирање на оперативното одлучување врз основа на податоците собрани од различни сензори. Како по правило, таквите алатки се интегрирани со системите на класата DCIM (Управување со инфраструктура на центарот за податоци) и ви овозможуваат да го предвидите појавувањето на итни ситуации, како и да ја оптимизирате работата на ИТ опремата, инженерската инфраструктура, па дури и услужниот персонал. Многу често, производителите нудат облак услуги на сопствениците на центрите за податоци кои акумулираат и обработуваат податоци од многу клиенти. Ваквите системи го генерализираат искуството за управување со различни центри за податоци и затоа работат подобро од локалните производи.
Управување со ИТ инфраструктура
HPE ја промовира услугата за аналитичка предвидлива облак за управување со ИТ инфраструктура изградена на системи за складирање Nimble Storage и HPE 3PAR StoreServ, сервери HPE ProLiant DL/ML/BL, HPE Apollo rack системи и HPE Synergy платформа. InfoSight ги анализира читањата на сензорите инсталирани во опремата, обработувајќи повеќе од милион настани во секунда и постојано самостојно учи. Услугата не само што открива дефекти, туку предвидува и можни проблеми со ИТ инфраструктурата (неуспеси на опремата, исцрпување на капацитетот за складирање, намалени перформанси на виртуелните машини итн.) уште пред да се појават. За предвидлива аналитика, софтверот VoltDB е распореден во облакот, користејќи модели за авторегресивно предвидување и веројатностични методи. Слично решение е достапно за хибридни системи за складирање од Tegile Systems: облак услугата IntelliCare Cloud Analytics ги следи здравјето, перформансите и користењето ресурси на уредите. Вештачката интелигенција и технологиите за машинско учење се користат и од Dell EMC во своите компјутерски решенија со високи перформанси. Има многу слични примери; скоро сите водечки производители на компјутерска опрема и системи за складирање податоци сега го следат овој пат.
Напојување и ладење
Друга област на примена на вештачката интелигенција во центрите за податоци е поврзана со управувањето со инженерската инфраструктура и, пред сè, ладењето, чие учество во вкупната потрошувачка на енергија на објектот може да надмине 30%. Google беше еден од првите што размислуваше за паметно ладење: во 2016 година, заедно со DeepMind, разви за следење на поединечни компоненти на центарот за податоци, што ги намали трошоците за енергија за климатизација за 40%. Првично, тој даваше само совети за персоналот, но подоцна беше подобрен и сега може самостојно да го контролира ладењето на машинските простории. Невронската мрежа распоредена во облакот обработува податоци од илјадници внатрешни и надворешни сензори: донесува одлуки земајќи го предвид оптоварувањето на серверите, температурата, како и брзината на ветерот надвор и многу други параметри. Инструкциите што ги нуди облак системот се испраќаат до центарот за податоци и таму уште еднаш се проверуваат за безбедност од локалните системи, додека персоналот секогаш може да го исклучи автоматскиот режим и да започне рачно да управува со ладењето. Nlyte Software заедно со тимот на IBM Watson создаде , кој собира податоци за температурата и влажноста, потрошувачката на енергија и оптоварувањето на ИТ опремата. Ви овозможува да ја оптимизирате работата на инженерските потсистеми и не бара поврзување со облак инфраструктурата на производителот - доколку е потребно, решението може да се распореди директно во центарот за податоци.
Други примери
На пазарот има многу иновативни паметни решенија за центри за податоци и постојано се појавуваат нови. Wave2Wave создаде роботски систем за префрлување кабли со оптички влакна за автоматско организирање вкрстени врски во јазли за размена на сообраќај (Meet Me Rooms) во центарот за податоци. Системот развиен од ROOT Data Center и LitBit користи вештачка интелигенција за следење на резервните комплети на дизел генератори, а Romonet создаде софтверско решение за самостојно учење за оптимизирање на инфраструктурата. Решенијата создадени од Vigilent користат машинско учење за да предвидат дефекти и да ги оптимизираат температурните услови во просториите на центарот за податоци. Воведувањето на вештачка интелигенција, машинско учење и други иновативни технологии за автоматизација на процесите во центрите за податоци започна релативно неодамна, но денес ова е една од најперспективните области на развојот на индустријата. Денешните центри за податоци станаа премногу големи и сложени за ефикасно да се управуваат рачно.
Извор: www.habr.com