隨著數據中心的工作量螺旋式上升，越來越多的企業開始關注人工智能(AI)，希望通過技術幫助它們減輕IT團隊的管理負擔，同時提高效率和削減開支。

人工智能承諾將工作負載實時自動移動到最高效的基礎設施，既包括數據中心內部，也包括由on-prem、云和邊緣環境組成的混合云設置。隨著人工智能對工作負載管理的轉變，未來的數據中心可能會與今天的設施有很大的不同。一個可能的場景是由遠程管理員管理的小型、互聯的邊緣數據中心集合。

[[407031]]

InfosysKnowledgeInstitute是一家專注于商業和技術趨勢分析的機構，其負責人JeffKavanaugh表示，由于各種因素，包括更激烈的競爭、通貨膨脹和大規模的預算削減，許多組織都在尋找降低數據中心運營成本的方法。他說:“人工智能和自動化已被證明是工作量管理的強大工具，因為它將員工從耗時和平凡的任務中解放出來，讓他們專注于實際上需要人類來完成的工作。”

大多數數據中心管理人員已經使用各種傳統的非人工智能工具來協助和優化工作負載管理。然而，專業服務公司畢馬威(KPMG)咨詢總監肖恩?肯尼(SeanKenney)表示，這些工具往往是被動的，而不是主動的。“他們對數據中心的問題做出反應，但他們不收集數據來確定減少問題行為的任何遠見，”他指出。

芝加哥伊利諾伊大學(UniversityofIllinois)生物醫學和健康信息科學臨床助理教授桑ketShah認為，人工智能現在正準備幫助那些發現自己沒有可靠方法來預測或規劃未來需求的數據中心管理者。他解釋道:“有了人工智能，能力和馬力可以以一種更有效的方式分配，允許組織擴大規模，變得更靈活。”“對于那些數據需求快速變化的(管理人員)來說，將某些流程自動化并在必要時轉移權力，最終將降低成本。”

利用人工智能技術管理數據中心的想法并不新鮮。例如，谷歌曾在2014年披露，它正在利用收購英國人工智能專家DeepMind所獲得的技術，加強其幾個站點的數據中心設施和設備管理。今天，人工智能工作負荷管理領域已經大大擴展到包括許多初創公司，如DLabs、digitate、RedwoodSoftware和TidalSoftware。思科(Cisco)、IBM和VMware等規模較大的公司也已開始進入該市場。

與人工智能的大多數事物一樣，工作量管理技術正在迅速發展。華盛頓大學信息學院副教授BillHowe指出:“有很多選擇和限制，但通常都有辦法減輕這些限制。”“我不認為選擇正確的方法和工程解決方案有什么問題……與其他任何復雜的人工智能應用程序相比，工作量管理的挑戰性更大或更小。”

滿足需要

對于大多數數據中心管理者來說，最優先考慮的是優化運營以滿足峰值需求。然而，無論他們計劃和準備得多么仔細，需求的高峰和低谷往往仍在他們的控制之外。商業咨詢和咨詢公司凱捷北美公司(CapgeminiNorthAmerica)的人工智能工程副總裁古瑟姆·貝利亞帕(Gouthambelliaappa)表示:“人工智能能帶來的獨特改進在于，它能理解工作量模式，并將這些需求與數據中心的容量匹配起來。”

人工智能管理承諾將數據中心團隊從一系列平凡、重復的任務中解放出來，包括服務器管理;安全設置;計算、內存和存儲優化;負載平衡;還有電力和冷卻分配。科技市場咨詢公司ABIResearch首席分析師LianJyeSu表示:“所有這些工作都可以通過人工智能實現自動化或增強。”

IT管理軟件開發公司ManageEngine的人工智能和機器學習產品總監RamprakashRamamoorthy表示，人工智能可以幫助分析從單個機器收集的數據，并發現被監控參數中的異常。他補充說:“人工智能還可以幫助更早地預測故障和中斷，這可以幫助數據中心管理團隊減少停機時間，并使集群保持良好的運行狀態。”“人工智能還可以實現更好的溫度和電壓管理，從而直接降低運營成本，并有助于減少碳足跡。”

Ramamoorthy說，雖然可以使用各種人工智能方法，但工作負荷管理工具應該始終確保模型預測是完全可解釋的。他解釋說:“與其他領域相比，數據中心工作量管理中的人工智能系統做出的決定往往由一個或多個團隊共同作出。”因此，AI模型決策應該是可解釋的，允許IT團隊更好地理解模型決策的意圖并相應地采取行動。他指出:“人工智能模型的準確率最多可以達到80%到85%，所以這也有助于人類團隊通過正確解釋人工智能模型的決策來做出明智的決策。”如果人工智能模型能夠給它所給出的決策一個信心評分，那么它對于有效的工作量管理也將是有用的。

人工智能和機器學習開發公司Tanjo的聯合創始人兼首席執行官理查德?博伊德(RichardBoyd)表示，隨著人工智能和機器學習工具的普及，各組織都認識到，只有當人類智能與這些技術合作而不是競爭時，才能取得最好的結果。他表示:“機器在很多方面都無法取代人類，但在某些領域，機器肯定比人類好得多。”“一旦人工智能和機器學習流行起來，工人們適應了這種新的合作關系，人們的看法就會改變。”

DellTechnologies的AI戰略主管BronsLarson表示，數據中心可以利用AI/ML來提高性能，并優化配置和部署。“AI/ML支持動態編排資源與工作負載，以優化資源利用，更好地管理成本，”他說。拉爾森補充說，所有的人工智能解決方案，無論是應用程序還是供應商，都需要專業知識來正確配置和優化價值。“首先要正確捕獲和評估數據，以便訓練和測試，并管理部署的模型，防止漂移和偏差。”

此外，基于規則的AI可以通過智能策略控制和預定義配置幫助自動化資源優化和遵從。Su指出:“通過從日常運營中收集的數據，基于機器學習的人工智能可以進一步增強數據中心運營的其他方面，這些方面以前需要深入的領域專業知識。”他說:“例如，數據中心的安全可以通過自我學習的威脅檢測和監控算法來加強。”“通過將所需資源引導到正確的方向，可以優化負載平衡、電力和冷卻分配功能。”

人工智能還可以簡化數據管理。卡瓦諾說:“企業越來越多地發現自己被與關鍵利益相關者有關的大量數據所包圍。”“使用人工智能，組織可以確保這些大量數據得到有效和準確的管理。”在人工智能的幫助下，團隊可以比以往任何時候都更快、更準確地執行任務，比如數據質量分析或提取數據以進行預測。卡瓦諾說:“這對組織來說至關重要，因為他們需要最準確的數據來做出明智的決定。”

人工智能包

隨著人工智能的成熟，現在出現的是一種軟件驅動的方法，將不同的元素結合在一起，以最小的人為干預。例如，Howe指出，在一個典型的數據庫系統中，需要進行大量的配置才能使操作有效地運行，例如索引表、跨服務器對數據進行分區、為某些類型的查詢分配內存，以及調優優化器以“適應”您的計算平臺和預期的工作負載。他解釋說:“人工智能可以幫助我們從大量歷史數據中學習規則和程序，這些數據涉及哪些時間表對哪些任務有效，而不是讓我們試圖弄清楚所有事情。”

有了人工智能，人類IT領導者和團隊就可以自由地關注業務問題，而不必擔心基礎設施的細枝大落。Belliappa表示:“從人工智能的角度來看，我們使用的大多數模型都是自學習集成模型，它們結合了各種技術，并在從它們管理的工作量模式中學習時不斷優化。

計劃和部署

在人工智能開始發揮其管理魔力之前，IT和商業領袖需要習慣于將關鍵的管理職責移交給一款軟件。Shah承認:“根據規模和內部知識庫的不同，這可能相當困難。

最終，一個組織如何處理從人類到人工負載管理的轉變取決于它的技術成熟度、運營規模和數據中心的動態性。卡瓦諾說:“缺乏有效利用數據的現代基礎設施的孤立企業將會舉步維艱。”另一方面，越來越多的人工智能供應商提供針對特定類型企業的工具，增加了幾乎任何類型和規模的組織能夠順利過渡的可能性。他預測:“隨著公司及其解決方案的成熟，配置和部署的便利性將繼續提高。”

如果人工智能有致命弱點，那就是該技術對數據中心系統和實踐中相對微妙的變化的反應。Howe解釋道:“大多數AI技術都是關于尋找穩定模式，假設環境是固定的。“如果你以模型無法看到的方式改變了環境，它會很高興地告訴你錯誤的答案。”在部署變更之前進行仔細的計劃可以幫助減輕這種擔憂。

即將到來的

雖然人工智能支持的數據中心工作負載管理已經被許多大型企業，特別是谷歌、亞馬遜和微軟等超大規模企業經常使用，但這項技術現在才開始滲透到較小的數據中心運營商。Belliappa認為，數據中心的管理者不久就會面臨艱難的選擇:繼續依賴傳統的數據中心管理技術和實踐，還是“大量投資人工智能驅動的改造以保持可行性”。

從長遠來看，隨著技術的進步、成本的下降和采用者信心的增強，人工智能驅動的管理有望成為主流。“在未來4到6年，你將看到人工智能數據中心工作量管理技術作為一個標準選擇，”Shah預測道。

“我認為這個趨勢發展得很快，”Howe說。“長期以來，數據中心一直存在大量自動化，這些(人工智能)技術為利用提供商擁有的大量數據提供了更好的方式。”他預計，使用人工智能學習方法進行自動化工作量管理將“很快普及”。

Kavanaugh說，行業觀察家越來越期望人工智能將在未來三四年內的某個時候開始主導數據中心管理，盡管大流行驅動的加速可能有助于推動這一時間表向前推進。“很快，數據中心將能夠實現幾乎所有操作的自動化，從網絡安全到維護再到監控，”他預測道。“但是，隨著數據量呈指數級增長，并且隨著我們在企業中發現AI的新用途，我們的工作量及其管理將繼續發展。”