機器學習將顯著改變數據中心經濟，并為改善未來鋪平道路。

隨著機架開始裝滿ASICs、GPU、FPGAs和超級計算機，機器學習和人工智能已經進入數據中心，并正在改變超大規模服務器場的外觀。

這些技術提高了訓練機器學習系統的計算機能力，而這項任務以前需要大量的數據處理。最終目標是構建更智能的應用程序，并增強您已經在日常使用的服務。僅僅依靠人的判斷和常識將遠遠達不到精確度和有效性所要求的標準。滿足大規模IT服務需求的唯一可持續方法是完全轉向數據驅動的決策，并使用所有這些數據來改進結果。由于施耐德電氣(Schneider Electric)、Maya Heat Transfer Technologies (HTT)和Nlyte Software等提供數據中心管理軟件或基于云的服務的供應商的可用性，一些沒有相同規模或專業知識的企業或托管提供商已經成為機器學習的早期采用者。

根據IDC的數據，到2022年，由于嵌入式人工智能技術，數據中心50%的IT資產將獨立運行。許多整體操作，包括規劃和設計、工作負載、正常運行時間和成本管理，都可以在數據中心使用機器學習進行優化。

以下是當今數據中心管理中機器學習的一些最大用例：

? 提高數據中心的效率：企業可以使用機器學習來自主管理數據中心的物理環境，而不是依賴軟件警報。 這將涉及軟件實時更改數據中心的架構和物理布局。

? 容量規劃：數據中心的機器學習可以幫助 IT 公司預測需求，這樣他們就不會耗盡空間、電力、冷卻或 IT 資源。 算法可以幫助企業確定傳輸如何影響設施的容量，例如，是否正在整合數據中心并將應用程序和數據移動到中央數據中心。

? 降低運營風險：防止停機是數據中心運營商的一項關鍵任務，機器學習可以更輕松地預測和預防停機。 數據中心管理中的機器學習軟件會跟蹤冷卻和電源管理系統等關鍵組件的性能數據，并預測齒輪何時可能損壞。 因此，您可以對這些系統進行預防性維護并避免代價高昂的停機。

? 使用智能數據減少客戶流失：公司可以在數據中心使用機器學習來更好地了解客戶，并可能預測客戶行為。 通過將機器學習軟件與客戶關系管理 (CRM) 系統集成，人工智能驅動的數據中心可以從 CRM 通常不使用的歷史數據庫中搜索和檢索數據，從而使 CRM 系統能夠 制定新的潛在客戶開發或客戶成功策略。

? 預算影響分析和建模：該技術將數據中心的運營和性能數據與財務數據(特別是有關適用稅收的信息)相結合，以幫助確定購買和維護 IT 設備的價格。

機器學習可以檢查數萬億字節的歷史數據，并在幾分之一秒內將參數應用于其決策，因為它的行動速度比任何人都快。當您跟蹤數據中心的所有活動時，這很有幫助。供應商和數據中心運營商利用機器學習解決的兩個主要問題是提高效率和降低風險。

例如，全球最大的托管服務提供商Digital Realty Trust運營著200多個數據中心，最近開始測試機器學習技術。人類消耗和處理支撐基礎設施所需的大量底層系統、設備和數據的能力很快就會耗盡。由于其卓越的實時處理、反應、通信和決策能力，數字房地產將從中受益。

基本結論是，數據中心運營商有許多利用AI/ML的替代方案，隨著該技術變得更加經濟和先進，將會有更多替代方案。前途光明。