机器学习将显著改变数据中心经济，并为改善未来铺平道路。
随着机架开始装满ASICs、GPU、FPGAs和超级计算机，机器学习和人工智能已经进入数据中心，并正在改变超大规模服务器场的外观。
这些技术提高了训练机器学习系统的计算机能力，而这项任务以前需要大量的数据处理。最终目标是构建更智能的应用程序，并增强您已经在日常使用的服务。仅仅依靠人的判断和常识将远远达不到精确度和有效性所要求的标准。满足大规模IT服务需求的唯一可持续方法是完全转向数据驱动的决策，并使用所有这些数据来改进结果。由于施耐德电气(Schneider Electric)、Maya Heat Transfer Technologies (HTT)和Nlyte Software等提供数据中心管理软件或基于云的服务的供应商的可用性，一些没有相同规模或专业知识的企业或托管提供商已经成为机器学习的早期采用者。
根据IDC的数据，到2022年，由于嵌入式人工智能技术，数据中心50%的IT资产将独立运行。许多整体操作，包括规划和设计、工作负载、正常运行时间和成本管理，都可以在数据中心使用机器学习进行优化。
以下是当今数据中心管理中机器学习的一些最大用例：
• 提高数据中心的效率：企业可以使用机器学习来自主管理数据中心的物理环境，而不是依赖软件警报。 这将涉及软件实时更改数据中心的架构和物理布局。
• 容量规划：数据中心的机器学习可以帮助 IT 公司预测需求，这样他们就不会耗尽空间、电力、冷却或 IT 资源。 算法可以帮助企业确定传输如何影响设施的容量，例如，是否正在整合数据中心并将应用程序和数据移动到中央数据中心。
• 降低运营风险：防止停机是数据中心运营商的一项关键任务，机器学习可以更轻松地预测和预防停机。 数据中心管理中的机器学习软件会跟踪冷却和电源管理系统等关键组件的性能数据，并预测齿轮何时可能损坏。 因此，您可以对这些系统进行预防性维护并避免代价高昂的停机。
• 使用智能数据减少客户流失：公司可以在数据中心使用机器学习来更好地了解客户，并可能预测客户行为。 通过将机器学习软件与客户关系管理 (CRM) 系统集成，人工智能驱动的数据中心可以从 CRM 通常不使用的历史数据库中搜索和检索数据，从而使 CRM 系统能够 制定新的潜在客户开发或客户成功策略。
• 预算影响分析和建模：该技术将数据中心的运营和性能数据与财务数据(特别是有关适用税收的信息)相结合，以帮助确定购买和维护 IT 设备的价格。
机器学习可以检查数万亿字节的历史数据，并在几分之一秒内将参数应用于其决策，因为它的行动速度比任何人都快。当您跟踪数据中心的所有活动时，这很有帮助。供应商和数据中心运营商利用机器学习解决的两个主要问题是提高效率和降低风险。
例如，全球最大的托管服务提供商Digital Realty Trust运营着200多个数据中心，最近开始测试机器学习技术。人类消耗和处理支撑基础设施所需的大量底层系统、设备和数据的能力很快就会耗尽。由于其卓越的实时处理、反应、通信和决策能力，数字房地产将从中受益。
基本结论是，数据中心运营商有许多利用AI/ML的替代方案，随着该技术变得更加经济和先进，将会有更多替代方案。前途光明。
