在經濟數位轉型的過程中，人類不得不建造越來越多的資料處理中心。 資料中心本身也必須進行轉型：其容錯和能源效率問題現在比以往任何時候都更重要。 設施消耗大量電力，其中關鍵 IT 基礎設施故障會給企業帶來高昂的代價。 人工智慧和機器學習技術正在為工程師提供幫助——近年來，它們越來越多地被用來創建更先進的資料中心。 這種方法提高了設施的可用性，減少了故障數量並降低了營運成本。
它是如何工作的呢？
人工智慧和機器學習技術用於根據從各種感測器收集的數據自動制定營運決策。 通常，此類工具與 DCIM（資料中心基礎架構管理）類系統集成，可讓您預測緊急情況的發生，並優化 IT 設備、工程基礎架構甚至服務人員的操作。 通常，製造商會向資料中心所有者提供雲端服務，以累積和處理來自許多客戶的資料。 此類系統概括了營運不同資料中心的經驗，因此比本地產品運作得更好。
IT基礎架構管理
HPE推廣雲端預測分析服務 管理基於 Nimble Storage 和 HPE 3PAR StoreServ 儲存系統、HPE ProLiant DL/ML/BL 伺服器、HPE Apollo 機架系統和 HPE Synergy 平台建置的 IT 基礎架構。 InfoSight 分析裝置中安裝的感測器的讀數，每秒處理超過一百萬個事件，並持續自我學習。 該服務不僅可以檢測故障，還可以在 IT 基礎架構出現問題（設備故障、儲存容量耗盡、虛擬機器效能下降等）之前進行預測。 對於預測分析，VoltDB 軟體部署在雲端，使用自回歸預測模型和機率方法。 Tegile Systems 為混合式儲存系統提供了類似的解決方案：IntelliCare Cloud Analytics 雲端服務監控設備的運作狀況、效能和資源使用情況。 Dell EMC 在其高效能運算解決方案中也使用了人工智慧和機器學習技術。 類似的例子還有很多；幾乎所有領先的運算設備和資料儲存系統製造商現在都在走這條路。
電源和冷卻
人工智慧在資料中心的另一個應用領域與工程基礎設施的管理有關，尤其是冷卻，其在設施總能耗中所佔的份額可能超過30%。 谷歌是最早考慮智慧冷卻的公司之一：2016 年，它與 DeepMind 一起開發了 用於監控各個資料中心組件，從而將空調能源成本降低了 40%。 最初只是給工作人員提示，後來經過改進，現在可以獨立控制機房的冷凍。 部署在雲端的神經網路處理來自數千個室內和室外感測器的數據：它根據伺服器負載、溫度、室外風速和許多其他參數做出決策。 雲端系統提供的指令會傳送到資料中心，並由本地系統再次檢查安全性，而工作人員可以隨時關閉自動模式並開始手動管理冷卻。 Nlyte Software 與 IBM Watson 團隊共同創建 ，它收集有關溫度和濕度、能源消耗和 IT 設備負載的數據。 它允許您優化工程子系統的運行，並且不需要連接到製造商的雲端基礎架構——如果需要，該解決方案可以直接部署在資料中心。
其他例子
市場上有許多針對資料中心的創新智慧解決方案，並且新的解決方案不斷出現。 Wave2Wave 創建了一個機器人光纖電纜交換系統，可以自動組織資料中心內流量交換節點（Meet Me Rooms）的交叉連接。 ROOT Data Center 和 LitBit 開發的系統使用人工智慧來監控備用柴油發電機組，Romonet 創建了用於優化基礎設施的自學習軟體解決方案。 Vigilent 創建的解決方案使用機器學習來預測故障並優化資料中心場所的溫度條件。 資料中心流程自動化引入人工智慧、機器學習和其他創新技術的時間相對較晚，但如今已成為產業發展最有前景的領域之一。 現今的資料中心已經變得太大、太複雜，無法進行有效的手動管理。
來源： www.habr.com