डेटा सेंटरमध्ये रोबोट्स: कृत्रिम बुद्धिमत्ता कशी उपयुक्त ठरू शकते?

अर्थव्यवस्थेच्या डिजिटल परिवर्तनाच्या प्रक्रियेत, मानवतेला अधिकाधिक डेटा प्रक्रिया केंद्रे तयार करावी लागतील. स्वत: डेटा केंद्रे देखील बदलली पाहिजेत: त्यांच्या दोष सहिष्णुता आणि ऊर्जा कार्यक्षमतेचे मुद्दे आता पूर्वीपेक्षा अधिक महत्त्वाचे आहेत. सुविधा प्रचंड प्रमाणात विजेचा वापर करतात आणि त्यांच्यामध्ये असलेल्या गंभीर IT पायाभूत सुविधांमध्ये बिघाड व्यवसायांसाठी महाग आहे. आर्टिफिशियल इंटेलिजन्स आणि मशीन लर्निंग तंत्रज्ञान अभियंत्यांच्या मदतीला येत आहेत - अलिकडच्या वर्षांत ते अधिक प्रगत डेटा केंद्रे तयार करण्यासाठी वाढत्या प्रमाणात वापरले जात आहेत. हा दृष्टिकोन सुविधांची उपलब्धता वाढवतो, अपयशाची संख्या कमी करतो आणि ऑपरेटिंग खर्च कमी करतो.

ते कसे कार्य करते?

कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंग तंत्रज्ञानाचा वापर विविध सेन्सर्समधून गोळा केलेल्या डेटाच्या आधारे ऑपरेशनल निर्णय घेण्यास स्वयंचलित करण्यासाठी केला जातो. नियमानुसार, अशी साधने डीसीआयएम (डेटा सेंटर इन्फ्रास्ट्रक्चर मॅनेजमेंट) क्लास सिस्टमसह एकत्रित केली जातात आणि आपल्याला आपत्कालीन परिस्थितीचा अंदाज घेण्यास तसेच आयटी उपकरणे, अभियांत्रिकी पायाभूत सुविधा आणि अगदी सेवा कर्मचार्‍यांचे ऑपरेशन ऑप्टिमाइझ करण्याची परवानगी देतात. बर्‍याचदा, उत्पादक डेटा सेंटरच्या मालकांना क्लाउड सेवा देतात जे अनेक ग्राहकांकडून डेटा जमा करतात आणि त्यावर प्रक्रिया करतात. अशा प्रणाली विविध डेटा केंद्रे चालवण्याच्या अनुभवाचे सामान्यीकरण करतात आणि त्यामुळे स्थानिक उत्पादनांपेक्षा चांगले कार्य करतात.

आयटी पायाभूत सुविधा व्यवस्थापन

HPE क्लाउड प्रेडिक्टिव अॅनालिटिक्स सेवेला प्रोत्साहन देते इन्फोसाइट निंबल स्टोरेज आणि HPE 3PAR StoreServ स्टोरेज सिस्टम, HPE ProLiant DL/ML/BL सर्व्हर, HPE अपोलो रॅक सिस्टम आणि HPE सिनर्जी प्लॅटफॉर्मवर तयार केलेल्या IT पायाभूत सुविधांचे व्यवस्थापन करण्यासाठी. इन्फोसाइट उपकरणांमध्ये स्थापित केलेल्या सेन्सरच्या वाचनांचे विश्लेषण करते, प्रति सेकंद दशलक्षाहून अधिक घटनांवर प्रक्रिया करते आणि सतत स्वयं-शिक्षण करते. सेवा केवळ दोष शोधत नाही, तर त्या येण्यापूर्वीच IT पायाभूत सुविधांतील संभाव्य समस्या (उपकरणे निकामी होणे, स्टोरेज क्षमता संपुष्टात येणे, व्हर्च्युअल मशीन्सची कार्यक्षमता कमी होणे इ.) यांचा अंदाज लावते. भविष्यसूचक विश्लेषणासाठी, ऑटोरिग्रेसिव्ह अंदाज मॉडेल आणि संभाव्य पद्धती वापरून, VoltDB सॉफ्टवेअर क्लाउडमध्ये तैनात केले जाते. टेगाइल सिस्टीम्सच्या हायब्रीड स्टोरेज सिस्टमसाठी समान उपाय उपलब्ध आहे: IntelliCare क्लाउड अॅनालिटिक्स क्लाउड सेवा डिव्हाइसेसचे आरोग्य, कार्यप्रदर्शन आणि संसाधनांच्या वापरावर लक्ष ठेवते. कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंग तंत्रज्ञान देखील डेल EMC द्वारे त्याच्या उच्च-कार्यक्षमता संगणन उपायांमध्ये वापरले जाते. अशी अनेक उदाहरणे आहेत; संगणकीय उपकरणे आणि डेटा स्टोरेज सिस्टमचे जवळजवळ सर्व आघाडीचे उत्पादक आता या मार्गाचे अनुसरण करीत आहेत.

वीज पुरवठा आणि कूलिंग

डेटा सेंटर्समध्ये एआयच्या वापराचे आणखी एक क्षेत्र अभियांत्रिकी पायाभूत सुविधांच्या व्यवस्थापनाशी संबंधित आहे आणि सर्वात महत्त्वाचे म्हणजे, कूलिंग, ज्याचा वाटा सुविधेच्या एकूण उर्जेच्या वापरामध्ये 30% पेक्षा जास्त असू शकतो. स्मार्ट कूलिंगबद्दल विचार करणाऱ्यांपैकी Google हे पहिले होते: 2016 मध्ये, डीपमाइंडसह, ते विकसित झाले कृत्रिम बुद्धिमत्ता प्रणाली वैयक्तिक डेटा सेंटर घटकांचे निरीक्षण करण्यासाठी, ज्यामुळे एअर कंडिशनिंगसाठी ऊर्जा खर्च 40% कमी झाला. सुरुवातीला, ते फक्त कर्मचार्‍यांना सूचना देत होते, परंतु नंतर सुधारित केले गेले आणि आता मशीन रूमचे शीतकरण स्वतंत्रपणे नियंत्रित करू शकते. क्लाउडमध्ये तैनात केलेले न्यूरल नेटवर्क हजारो इनडोअर आणि आउटडोअर सेन्सर्सच्या डेटावर प्रक्रिया करते: ते सर्व्हरवरील भार, तापमान, तसेच बाहेरील वाऱ्याचा वेग आणि इतर अनेक पॅरामीटर्स लक्षात घेऊन निर्णय घेते. क्लाउड सिस्टमद्वारे ऑफर केलेल्या सूचना डेटा सेंटरला पाठवल्या जातात आणि तेथे स्थानिक सिस्टमद्वारे सुरक्षिततेसाठी ते पुन्हा तपासले जातात, तर कर्मचारी नेहमी स्वयंचलित मोड बंद करू शकतात आणि कूलिंग मॅन्युअली व्यवस्थापित करू शकतात. IBM वॉटसन टीमसोबत Nlyte सॉफ्टवेअर तयार केले решение, जे तापमान आणि आर्द्रता, ऊर्जेचा वापर आणि IT उपकरणावरील भार यावर डेटा संकलित करते. हे आपल्याला अभियांत्रिकी उपप्रणालींचे ऑपरेशन ऑप्टिमाइझ करण्याची परवानगी देते आणि निर्मात्याच्या क्लाउड इन्फ्रास्ट्रक्चरशी कनेक्शनची आवश्यकता नसते - आवश्यक असल्यास, सोल्यूशन थेट डेटा सेंटरमध्ये तैनात केले जाऊ शकते.

इतर उदाहरणे

मार्केटमध्ये डेटा सेंटरसाठी अनेक नाविन्यपूर्ण स्मार्ट सोल्यूशन्स आहेत आणि नवीन सतत दिसत आहेत. Wave2Wave ने डेटा सेंटरच्या आत ट्रॅफिक एक्सचेंज नोड्स (मीट मी रूम्स) मध्ये क्रॉस-कनेक्शन स्वयंचलितपणे आयोजित करण्यासाठी रोबोटिक फायबर ऑप्टिक केबल स्विचिंग सिस्टम तयार केली आहे. ROOT डेटा सेंटर आणि LitBit द्वारे विकसित केलेली प्रणाली बॅकअप डिझेल जनरेटर सेटचे निरीक्षण करण्यासाठी AI चा वापर करते आणि Romonet ने पायाभूत सुविधांना अनुकूल करण्यासाठी स्वयं-शिक्षण सॉफ्टवेअर सोल्यूशन तयार केले आहे. Vigilent द्वारे तयार केलेले उपाय अयशस्वी होण्याचा अंदाज लावण्यासाठी आणि डेटा सेंटरच्या परिसरात तापमान परिस्थिती अनुकूल करण्यासाठी मशीन लर्निंगचा वापर करतात. डेटा सेंटर्समध्ये प्रक्रिया ऑटोमेशनसाठी कृत्रिम बुद्धिमत्ता, मशीन लर्निंग आणि इतर नाविन्यपूर्ण तंत्रज्ञानाचा परिचय तुलनेने अलीकडेच सुरू झाला, परंतु आज हे उद्योग विकासाच्या सर्वात आशाजनक क्षेत्रांपैकी एक आहे. आजचे डेटा सेंटर प्रभावीपणे मॅन्युअली व्यवस्थापित करण्यासाठी खूप मोठे आणि जटिल झाले आहेत.

स्त्रोत: www.habr.com