W procesie cyfrowej transformacji gospodarki ludzkość musi budować coraz więcej centrów przetwarzania danych. Same centra danych również muszą zostać przekształcone: kwestie ich odporności na awarie i efektywności energetycznej są teraz ważniejsze niż kiedykolwiek. Obiekty zużywają ogromne ilości energii elektrycznej, a awarie zlokalizowanej w nich krytycznej infrastruktury IT są kosztowne dla przedsiębiorstw. Z pomocą inżynierom przychodzą technologie sztucznej inteligencji i uczenia maszynowego – w ostatnich latach coraz częściej wykorzystuje się je do tworzenia bardziej zaawansowanych centrów danych. Takie podejście zwiększa dostępność obiektów, zmniejsza liczbę awarii i zmniejsza koszty operacyjne.
Jak to działa?
Technologie sztucznej inteligencji i uczenia maszynowego służą do automatyzacji podejmowania decyzji operacyjnych w oparciu o dane zebrane z różnych czujników. Z reguły narzędzia tego typu integrowane są z systemami klasy DCIM (Data Center Infrastructure Management) i pozwalają przewidywać wystąpienie sytuacji awaryjnych, a także optymalizować pracę sprzętu IT, infrastruktury inżynieryjnej, a nawet personelu serwisowego. Bardzo często producenci oferują usługi chmurowe właścicielom centrów danych, które gromadzą i przetwarzają dane od wielu klientów. Takie systemy uogólniają doświadczenia z obsługi różnych centrów danych, dzięki czemu działają lepiej niż produkty lokalne.
Zarządzanie infrastrukturą IT
HPE promuje usługę analizy predykcyjnej w chmurze do zarządzania infrastrukturą IT zbudowaną w oparciu o systemy pamięci masowej Nimble Storage i HPE 3PAR StoreServ, serwery HPE ProLiant DL/ML/BL, systemy regałowe HPE Apollo oraz platformę HPE Synergy. InfoSight analizuje odczyty czujników zainstalowanych w sprzęcie, przetwarzając ponad milion zdarzeń na sekundę i stale się samoucząc. Usługa nie tylko wykrywa awarie, ale także przewiduje możliwe problemy z infrastrukturą IT (awarie sprzętu, wyczerpanie pojemności dyskowej, spadek wydajności maszyn wirtualnych itp.) jeszcze zanim one wystąpią. Do celów analityki predykcyjnej oprogramowanie VoltDB jest wdrażane w chmurze, wykorzystując autoregresyjne modele prognozowania i metody probabilistyczne. Podobne rozwiązanie jest dostępne dla hybrydowych systemów pamięci masowej firmy Tegile Systems: usługa w chmurze IntelliCare Cloud Analytics monitoruje stan, wydajność i wykorzystanie zasobów urządzeń. Technologie sztucznej inteligencji i uczenia maszynowego są również wykorzystywane przez Dell EMC w swoich rozwiązaniach obliczeniowych o wysokiej wydajności. Podobnych przykładów jest wiele, tą drogą idą obecnie niemal wszyscy czołowi producenci sprzętu komputerowego i systemów przechowywania danych.
Zasilanie i chłodzenie
Kolejny obszar zastosowań AI w centrach danych związany jest z zarządzaniem infrastrukturą inżynierską, a przede wszystkim chłodnictwem, której udział w całkowitym zużyciu energii obiektu może przekraczać 30%. Google jako jeden z pierwszych pomyślał o inteligentnym chłodzeniu: w 2016 roku wspólnie z DeepMind opracowało to rozwiązanie do monitorowania poszczególnych elementów centrum danych, co obniżyło koszty energii potrzebnej do klimatyzacji o 40%. Początkowo dawał tylko wskazówki personelowi, ale później został udoskonalony i może teraz samodzielnie sterować chłodzeniem maszynowni. Sieć neuronowa wdrożona w chmurze przetwarza dane z tysięcy czujników wewnętrznych i zewnętrznych: podejmuje decyzje uwzględniając obciążenie serwerów, temperaturę, a także prędkość wiatru na zewnątrz i wiele innych parametrów. Instrukcje oferowane przez system chmurowy są wysyłane do centrum danych i tam są ponownie sprawdzane pod kątem bezpieczeństwa przez systemy lokalne, a personel zawsze może wyłączyć tryb automatyczny i rozpocząć ręczne zarządzanie chłodzeniem. Nlyte Software stworzyło wspólnie z zespołem IBM Watson , która gromadzi dane o temperaturze i wilgotności, zużyciu energii oraz obciążeniu sprzętu IT. Pozwala zoptymalizować działanie podsystemów inżynierskich i nie wymaga połączenia z infrastrukturą chmurową producenta – w razie potrzeby rozwiązanie można wdrożyć bezpośrednio w centrum danych.
Inne przykłady
Na rynku dostępnych jest wiele innowacyjnych, inteligentnych rozwiązań dla centrów danych i ciągle pojawiają się nowe. Firma Wave2Wave stworzyła zrobotyzowany system przełączania kabli światłowodowych, który automatycznie organizuje połączenia krzyżowe w węzłach wymiany ruchu (Meet Me Rooms) wewnątrz centrum danych. System opracowany przez ROOT Data Center i LitBit wykorzystuje sztuczną inteligencję do monitorowania zapasowych agregatów prądotwórczych na olej napędowy, a firma Romonet stworzyła samouczące się oprogramowanie do optymalizacji infrastruktury. Rozwiązania stworzone przez Vigilent wykorzystują uczenie maszynowe do przewidywania awarii i optymalizacji warunków temperaturowych w pomieszczeniach data center. Wprowadzanie sztucznej inteligencji, uczenia maszynowego i innych innowacyjnych technologii automatyzacji procesów w centrach danych rozpoczęło się stosunkowo niedawno, ale dziś jest to jeden z najbardziej obiecujących obszarów rozwoju branży. Dzisiejsze centra danych stały się zbyt duże i złożone, aby można było nimi skutecznie zarządzać ręcznie.
Źródło: www.habr.com