如今，大數據分析和物聯網正在幫助組織建設更加智能的存儲基礎設施。而成本更低、數量更密集的CPU將更智能的內置智能驅動到數據存儲基礎架構堆棧的每一層。

以存儲為例，過多的計算能力可用于部署敏捷軟件定義的存儲，轉換到超融合架構，或通過智能地重新分配存儲功能來優化I/O應用程序服務器和磁盤主機。

然而，所有這些內置智能有一個缺點，就是可能會降低人們在數據存儲基礎架構和更改（任何IT變更）之間的可見性，無論是由于用戶的修補和升級，擴展使用，還是復雜的錯誤和組件故障。或者，換句話說，由于配置強大和廉價的處理器，動態優化使人們越來越難以確定其基礎設施發生了什么狀況。

[[211993]]

因此當人們不需要知道任何細節，并且可以簡單地依賴低級組件來做正確的事情，直到擁有一個絕對自主的數據中心。而如今企業公共云計算并不會消除對內部專家的需求，IT部門可能會發現這是一把雙刃劍。此外，雖然更智能的數據存儲基礎架構幫助人們配置，優化，增長計劃，并排除故障，它可能會讓人們盲目或愚弄，并積極努力將基礎設施轉向人們的“意志”。

盡管所有這些潛在的負面因素需要做出選擇，人們希望獲得在一個更智能，更自主的IT世界（即使有一些人工智能失控的風險）。

這些都與數據有關

還記得以前的分析是一個離線過程嗎？捕獲文件中的一些數據；打開Excel，SAS或其他桌面工，并在幾周后收到一條建議。如今，這種分析延遲的時間太長，并且太簡單。

動態優化由于采用了功能強大，成本低廉的本地處理器，這使得人們越來越難以確定我們的基礎設施正在發生什么。

考慮到應用程序和用戶的速度和敏捷性，更何況更大的數據流和彈性云代理，人們需要洞察力和比以往更快的回答。這種智能從大量可靠的數據開始，如今的基礎設施每天都在產生越來越多數據（事實上，由于物聯網的興起，人們很快就會淹沒在新的數據中），并需要處理和管理所有這些信息。

例如，存儲陣列長期以來可以提供有見地的數據，但歷史上需要供應商特定的，復雜和昂貴的存儲資源管理應用程序來充分利用它。幸運的是，如今已有一系列的發展，基礎設施幫助人們具有更智能的IT系統管理，并更好更快地生成用戶的數據：

數據處理。隨著物聯網應用的增長，存儲組件正在生成越來越多的詳細的數據。這種日益增長的數據需要IT本身內的大數據分析技術。而IT管理員需要花費一些時間學習一些Python和Spark技能。

消耗API.現代存儲平臺現在提供或生產易于使用的空閑的API（表示性狀態傳輸API），允許任何人（具有權限）直接使用幾乎任何類型的第三方分析工具訪問關鍵數據。標準API還通過集成諸如OpenDataSource的平臺來啟用和強化第三方系統管理。

家庭支持呼叫。大多數存儲供應商如今將家庭支持呼叫調用到他們的陣列中，使他們能夠將詳細的機器日志發送給供應商，以便每天進行處理。然后，供應商可以使用大數據工具聚合數據，以便為客戶提供主動的支持和洞察，從而實現更好的產品管理和營銷。家庭呼叫功能也可以從Glassbeam那樣的供應商作為服務提供，這也可以幫助提供一個客戶端門戶作為一個“附加價值”，直接向IT最終用戶提供使用和性能洞察。

幸運的是，如今基礎設施有了一系列的發展，可以幫助人們可以更好管理智能的IT系統，并更好地生成用戶的數據。

可視化。面向IT的大數據提供了大量優秀的可視化工具，通常由企業商業智能應用人員（例如Tableau公司）利用。因此，IT本身現在可以構建對業務友好的儀表板和報告。同時，許多供應商使用了更加清楚和易于訪問的開源可視化庫（如d3.js）來輕松創建和提供自定義產品儀表板以及可共享的小部件。

下一代智能。一些供應商正在做可視化之外的真正聰明的事情。而供應商可以幫助提供高級產品特定的關鍵性能指標，才能將這些詳細數據轉移到可操作的情報中，這是不夠的。作為第一步，如今的供應商可以巧妙地將低級數據流積累到健康，容量或風險的專家“模型”中。一些模型為每個特定平臺的獨特“分數”來產生線性預測。真正高級的建模可以考慮未來的工作負載增長和數據存儲基礎設施升級的計劃，并且可以基于分析排隊行為進行非線性性能預測。

智能機器

隨著大數據分析和物聯網應用的發展，肯定有令人興奮的新發展，并產生更加智能的數據存儲基礎設施的空間。

例如，人們只看到了系統管理領域中應用機器學習的開端。注意更智能的機器學習優化，作為軟件即服務分析服務出現，嵌入客戶控制臺以進行動態操作，在儀表板和門戶網站中進行智能戰略規劃，甚至將其推入設備以幫助他們變得越來越自主。

如果汽車很快會自動駕駛，那么人們對此不應該感到驚訝。當存儲陣列開始告訴人們自己可以處理數據。如果有一天，人們可能不得不為新的存儲陣列進行一個企業面向IT的智能測試，看看它們為數據中心運營是否已經準備好了沒有。