随着对数据处理和存储的需求持续激增，数据中心正在努力应对发展和扩展的挑战。平台、设备设计、拓扑结构、功率密度要求和冷却需求不断变化的格局都强调了对新架构设计的迫切需求。
数据中心基础架构通常难以使当前和预计的 IT 负载与其关键基础架构保持一致，从而导致不匹配，从而威胁到其满足不断升级的需求的能力。在这种背景下，必须修改传统的数据中心方法。
数据中心现在正在将人工智能 （AI） 和机器学习 （ML） 技术集成到其基础设施中，以保持竞争力。通过在传统数据中心架构中实施人工智能驱动层，公司可以创建自治数据中心，这些数据中心可以在没有人为干预的情况下优化和执行通用数据工程任务。
利用 AI 为传统架构提供涡轮增压
近年来，人工智能和机器学习技术在数据中心内的激增引人注目。AI 正在提高各种用例的效率和性能。
“人工智能驱动的数据中心可以通过优化应用程序性能和可用性来帮助组织获得竞争优势，这反过来又有助于提高客户满意度和忠诚度，”硅谷技术咨询公司Nisum的执行副总裁Sajid Mohamedy说。“将AI添加到组合中有助于优化资源分配，从而提高数据中心效率并降低成本。
快速故障检测和预测、根本原因分析、电源使用优化和资源容量分配优化只是部署数据和算法驱动技术以最大限度地提高数据中心效率的几个例子。
随着中断变得越来越频繁和昂贵，将人工智能整合到数据中心对于每个数据驱动的业务变得越来越必要。人工智能驱动的数据中心提供了一系列好处，其中最主要的是有可能减少停机时间并提高整体系统的可靠性，最终为组织节省大量成本。
增强故障检测和预测能力
毕马威美国企业人工智能主管Ellen Campana表示，人工智能历来被用于增强数据存储优化、能源利用率和可访问性。然而，近年来，将人工智能的效用扩展到包括故障检测和预测，这已经出现了明显的趋势，这可以触发自我修复机制。
“简化自动检测的关键是为人工智能提供一个了解硬件和软件操作细节的窗口，包括网络流量，”Campana告诉VentureBeat。“如果某个节点内的流量变慢，人工智能可以检测到这种模式并触发进程或整个节点的重启。
IBM Automation首席技术官Pratik Gupta认为，人工智能在数据中心和混合云环境中具有变革潜力。通过增强应用程序中的用户体验、简化运营以及使首席信息官和业务决策者能够从一系列数据中收集见解，人工智能促进了创新和优化。
清晰了解应用资源水平
Gupta表示，IBM预计，由于摩尔定律的到期以及数据量，速度和能源密集型工作负载的爆炸式增长，到12年数据中心能耗将增加2030%（或更多）。
“简而言之，人工智能可以减少购买、维护、管理和监控的硬件数量，”他说。
Gupta说，数据中心经理必须清楚地了解其组织的应用程序资源水平，允许灵活扩展以实时满足需求。人工智能驱动的自动化可以在此过程中发挥关键作用，降低资源拥塞和延迟的风险，同时确保硬件工作负载保持安全并维护性能标准。
例如，IBM的Turbonomic可以自动优化应用程序资源级别，并根据业务需求进行扩展。
Gupta说：“这使IT经理能够拥有一个仪表板来监督资源水平，实时做出决策，并提高效率，因为他们确保他们的应用程序都不会被过度配置。
最大化 AI 驱动型数据中心的优势
数据中心的AI和ML用例持续增长，但组织在实施它们之前必须考虑一些关键因素。虽然预打包的 AI 和 ML 解决方案越来越可用，但它们仍然需要集成，而不仅仅是单个单点解决方案。DIY AI部署是可能的，但需要投资传感器来收集数据和专业知识，以将数据转换为可用的见解。
毕马威的Campana表示：“许多组织选择实施自己的数据中心，正是因为他们可以确保数据不会与其他数据汇集在一起或以他们无法控制的方式使用。“虽然这是真的，但组织必须承担维护安全和隐私的责任。
有了合适的资源，数据中心可以变得更智能、更高效，但实现这一目标需要优化规划。
“规划应该是实施人工智能驱动的数据中心的关键支柱，”IBM的Gupta说。“成功的部署不会在一夜之间发生，在推出之前需要大量的迭代和思考。IT领导者需要考虑一些因素，例如了解他们可以并且应该保留哪些硬件以及他们需要哪些工作负载迁移到云。
灵活性至关重要
人工智能驱动的数据中心成功的关键是采取战略方法。这意味着确定AI和ML的正确用例，投资必要的基础设施和工具，并培养熟练的员工队伍，以有效地管理和维护系统。
“公司通常维护庞大的基础设施 - 从分布式数据中心位置到各种云部署，”Gupta说。“IT 领导者需要考虑他们是否需要为所有数据源构建一个融合的湖......或者将数据准备、ML 和 AI 工具带到每个位置。随着公司对其IT基础设施进行转型，他们不仅要考虑正在提供的价值，还要考虑正在创造的漏洞。
他补充说，最好的计划可能会出错。“技术推广也是如此，能够快速调整路线的灵活组织将更加成功，”他补充说。
提高 IT 和数据中心性能的四大新兴战略
AIOps，MLOps，DevOps和SecOps都有独特的优势。当它们结合在一起时，它们正在优化数据中心运营和更广泛的 IT 性能，从而降低成本并实现服务改进。
AIOps 可自动化和扩展企业范围内的数据中心和 IT 工作流
AIOps 正在成为企业数据中心可持续发展和碳减排工作的核心，并已被证明可以有效地确定出现性能差距的原因。该技术的核心是它能够根据实时性能数据（因果分析）解释和建议操作。
例如，沃尔玛正在使用AIOps来简化电子商务运营。AIOps 依靠 ML 模型和自然语言处理 （NLP） 的组合来发现新的流程工作流，从而提高数据中心运营的准确性、成本效益和效率。零售商还使用 AIOps 实时检测和解决低效和断开连接的流程，同时实现技术堆栈和更广泛的基础设施管理的自动化。
AIOps 可在电子商务平台内实现更准确的实时异常检测。该技术还擅长关联来自数据中心所有可用来源的数据，以提供 360 度运营视图，并确定可以改进可用性、成本控制和性能的地方。
零售商依靠 DevOps 来加速应用开发
零售商依靠 DevOps 来保持竞争力并缩短新应用和功能的上市时间。DevOps 基于软件开发方法，该方法强调软件开发人员和 IT 运营团队之间的协作和沟通。事实证明，它可以有效地简化新移动应用程序、网站功能和基于客户体验的增强功能的软件交付和开发。
亚马逊、塔吉特、诺德斯特龙、沃尔玛和其他领先的零售商已采用DevOps作为其主要的软件开发流程。零售业首席信息官告诉VentureBeat，DevOps代码库的质量越高，数据中心运行效率就越高，向全球客户提供最新的应用程序发布。
MLOps 提供基于生命周期的方法
随着零售商招募更多的数据科学家，MLOps 在保持模型最新和可用性方面变得与 DevOps 一样重要。MLOps 将 DevOps 原则应用于 ML 模型和算法。领先的零售商使用 MLOps 来设计、测试和发布新模型，以改进客户细分、需求预测和库存管理。
事实证明，MLOps 在解决零售业中最昂贵和最具挑战性的问题方面是有效的，从库存管理和优化开始。供应链的不确定性、长期的劳动力短缺和不断上升的通货膨胀成本使库存管理成为零售商的成败领域。
梅西百货（Macy's）、沃尔玛（Walmart）和其他公司正在使用MLOps来优化定价和库存管理，帮助零售商做出降低成本的决策，并保护自己免受持有过多库存的下行风险。
SecOps 依靠 AI 和 ML 来保护每个标识和威胁面
SecOps 可确保数据中心和更广泛的 IT 基础结构保持安全和投诉。零信任安全性（假设没有用户或设备可以信任，并且必须验证每个标识）是任何成功实现 SecOps 的基础。目标是减少攻击面和日益复杂的网络攻击的风险。
SecOps 通过结合最成熟的技术来减少入侵和违规，从而优化数据中心安全性。采用零信任安全措施有助于零售商保护其客户、员工和供应商的身份，微分段可以限制任何攻击的爆炸半径。
人工智能与数据中心技术的未来
边缘计算正在成为开发人工智能驱动型数据中心的最有前途的技术之一。通过更靠近源处理数据，边缘计算可减少延迟并提高整体性能。当与人工智能相结合时，这项技术提供了实现实时分析和决策能力的潜力，使数据中心能够在未来处理关键任务应用程序。
“向5G的转变是这一转变的重要一步，并正在推动基于人工智能的软件基础设施的创新浪潮，”毕马威的Campana表示。“对于开始新数据中心的企业来说，值得考虑他们采用5G和对最终用户硬件进行其他更新的时间表。
就IBM的Gupta而言，他将数据智能自动化视为继续进入受到严格监管的行业的一种方式，因为人工智能和数据中心工具将被设计为自动满足合规性要求。
“随着人工智能和自动化进一步嵌入数据中心，他们将能够满足最严格的合规协议，”他说。
椰有料原创，作者：小椰子啊，转载请注明出处：http://www.studioyz.com/1905.html
文章评论