CN

人工智能与机器学习:托管数据中心市场的关键挑战

      在我的上一篇博文中,我谈到业界对人工智能和机器学习的一些炒作。这篇博文从当今的一个基本面切入目前人工智能技术的能力,我也为这些常被误解的数据中心术语做出了定义。在这篇文章中,我展开讨论的切入点是通过假设人工智能工具被广泛采用以实现其对托管服务提供商的全部价值时,业界需要应对并解决的三大关键挑战。

final       在我们最近一场5月份举行的云和服务提供商创新日期间,与会者分享了以下两个观点。来自17家不同公司的20多家托管供应商和关键价值链成员(电气承包商和咨询工程师)齐聚一堂,讨论当前的市场挑战和机遇。此外,也就未来可能产生最大影响的技术进行了探讨。

数据中心市场广泛采用人工智能需要克服的三件事 概念背景——人工智能/人类和网络商业(详细介绍数以百万计的二进制代码)

      第一个挑战是数据中心仪表化。这里涉及到一个老生常谈的话题“无用输入,无用输出”。尽管机器学习算法和深层神经网络具有“黑匣子”的属性,但其并不具有“魔法”。像任何分析引擎一样,其依赖于大量可操作的优质数据。那些有效部署DCIM套件的企业可能处于良好的发展状态。但数据中心仪表化的这一挑战也落在了设备供应商的身上。其硬件能否收集并报告必要的信息以使算法发挥作用?长期以来,施耐德电气一直致力于推动UPS、制冷单元、PDU、开关柜等设备的数字化和仪表化发展——领先于业内其他公司。但当我们开发人工智能用例和算法来支持这些设备时,我们意识到需要在新的领域部署新的传感器,而这些领域至今我们尚不了解。例如,也许我们会发现在不同位置配备一个振动传感器可能会让我们对系统的生命周期有一个更为积极的全新了解。这样的情况会随着时间的推移而发展变化。

      第二个挑战是传统上的这些数据一直处于不同的系统之中。设施数据保存在楼宇管理系统中,电能质量信息位于电力监控系统中,白区基础信息存在于DCIM工具中,而IT软件/虚拟资源信息则显示在IT运营管理工具之内。为了让系统了解所有关键变量及其相互之间的关联和影响,这些数据应当被整合放入人工智能模型中。整合所有这些不同的数据仍是一个尚未完全解决的挑战。但全新的施耐德电气EcoStruxure™系统架构平台在解决这一挑战上已经走了相当长的一段路。若不进行数据整合,人工智能应用的功能性会偏窄,比如空气处理装置的优化或冷却机组风扇故障的早期预警。当然,这些功能也是有用的,只是不足以让世人惊艳。

      第三个数据挑战是我们所谓的数据完整性。所有这些数据需要相互关联,需要相关背景;模型需要确切知道数据的来源。对于来自特定资产的给定数据集,模型可能需要了解以下信息:站点、机房、机柜行、机柜、U空间、电源路径、网络端口和策略需求。同时需要以某种方式同步时间段。DCIM工具虽然需要对所有内容进行映射和定义,但在最初设置这些内容并在随时间推进的维护中,需要花费大量的精力和资源。这在很大程度上取决于我们供应商试图简化所有这些并隐藏其复杂性。

托管服务提供商需要考虑的数据中心市场的未来人工智能发展

      重点在于,在人工智能普遍应用于数据中心前,这些挑战是不可避免的,且需要解决的,而托管服务提供商最好能够应用其优势。拥有一个有效部署和维护的DCIM系统是托管服务提供商的关键第一步。此类系统能够提供必要的计量和背景数据,从而使人工智能工具发挥作用。请继续关注我的下一篇博文,届时我将同大家分享人工智能将如何在短期内应用于托管数据中心——以及为何人工智能的可靠性将对数据中心的业务增长产生更大的影响。

CN