Datacenter i en AI- och ML-driven framtid

0 Shares

Artificiell intelligens (AI) och maskininlärning (ML) fortsätter att göra stora framsteg i sin utveckling, och de har nu en påtaglig inverkan på datacentrets verksamhet och IT-hantering.

Idag ser vi AI och ML tillämpas på funktioner som sträcker sig från kraft och kylning till resurshantering och allokering. För detta ändamål har vi sett data- och algoritmdrivna tekniker som används inom områden som snabb felsökning / förutsägelse, rotorsaksanalys, energianvändningsoptimering och resurskapacitetstilldelning; allt i strävan att se till att datacenter fungerar så effektivt som möjligt.

AI i aktion

En fascinerande aktuell tillämpning av AI i datacenter är användningen av inspektionsrobotar. Andra generationens robotar är AI-drivna och kan fungera utan mänskligt ingripande för att automatiskt byta ut felaktiga hårddiskar. Hela diskutbytesprocessen – inklusive automatisk inspektion, defekt lokalisering av disk, utbyte av disk och laddning – kan slutföras snabbt och smidigt, och disken byts ut inom fyra minuter.

På samma sätt har ML-baserade temperaturvarningssystem också distribuerats i datacenter med hundratals temperatursensorer som övervakar information i realtid och använder en ensambildmodell för att snabbt och exakt identifiera en temperaturhändelse på grund av fel i kylanläggningen. De genererade varningarna ger värdefull insikt i realtid och ger datacentrets driftsteam den tid som krävs för att svara på felet och avvärja eventuella katastrofer.

AI och ML för alla?

En intressant fråga är vilka typer av data och i vilken skala som företag behöver för att börja utveckla sin egen AI / ML för datacenterhantering? Det beror på varje användningsfall, men övervakning av data i datacentret skulle vara ett utmärkt ställe att börja när man utvecklar AI / ML-tekniker. En modell kan utbildas med ett par månaders datainsamling med en samplingsfrekvens på cirka några minuter. En del modern datacenterutrustning tillhandahåller redan strukturerad övervakningsdata.

Vi tror att det skulle vara fördelaktigt att upprätta vissa branschstandarder för övervakning av dataformat för stora datacenterutrustningstillverkare att följa; detta kommer i sin tur att påskynda antagandet av AI / ML-teknik. Dessutom kan datacenteroperatörer alltid installera separata IoT-enheter – till exempel enkla temperatursensorer eller ljud- eller bildsamlare (kameror) – för att förbättra mångfalden och dimensionerna för data för mer avancerade AI-funktioner.

Med tanke på att datacenter är fyllda med mekanisk och elektrisk utrustning är en oro huruvida det är svåra miljöer för att underlätta skapandet av information och insikter och den efterföljande inbäddningen av automatiserade system. För att ta itu med detta vill vi se att branschen omfattar några förändringar. Detta inkluderar att vara mer mottagliga för stora internetteknologitrender och anta en övergripande tänkesätt som går mot programvarustyrd programmerbarhet och flexibilitet.

Till exempel har PLC-systemet (Programmable Logic Controller) haft mycket mer uppmärksamhet i samband med nya datacenterdistributioner jämfört med konventionella DDC-system (Direct Digital Control). Detta beror på deras programmerbarhet, snabba svar, nätverksanslutning och flexibilitet i modifieringen av kontrollalgoritmer.

AI och dataanalys är ofta till hjälp under de tidiga faserna av planering och konstruktion av datacenter med Building Information Modelling (BIM) och Building Performance Simulation (BPS). Men inte alla byggnader är nya, så många frågar om AI / ML kan användas i befintliga anläggningar och om det är svårt att “eftermontera” AI / ML i äldre anläggningar med befintlig verksamhet. Den goda nyheten är att externa datainsamlingsenheter (IoT-enheter) alltid kan installeras för att eftermontera en gammal anläggning i en AI-driven miljö. Detta är helt genomförbart och vi har erfarenhet av att lyckas uppnå detta.

Skapa ett teknikekosystem

I själva verket är det i det ämnet där andra tekniker – som Digital Twins och Data Center-simulering – kan ge värde och insikter till design och hantering av datacenter. Vi tror att digitala simuleringsfunktioner är avgörande för tillförlitlig datacenterhantering, särskilt för komplexa och storskaliga scenarier. Ofta kunde riktiga tester eller prövningar inte utföras i dessa anläggningar på grund av deras komplexitet och risken för oväntade fel på de befintliga tjänsterna.

Därför ger en datacenter digital tvilling skapad av data- och AI-modeller en mycket säker miljö för att köra experiment med nya implementeringar eller simulera operativt beteende och förutse komplexa felscenarier. Med tanke på omfattningen av data och komplexiteten hos de involverade modellerna är detta ett spännande forskningsfält som aktivt utforskas, åtminstone av stora molnleverantörer.

En AI- och ML-driven framtid

Samspelet mellan AI och DCIM är också värt att övervaka, och det kommer att vara intressant att se om de två kommer att konvergera eller om det alltid kommer att finnas någon separation. Som det för närvarande ser ut, tror vi att AI-teknik kommer att integreras i DCIM och bli en viktig funktion för hanteringsprogramvara för att ge förbättrad funktionalitet och driftsäkerhet.

Med tanke på de grundläggande och livsviktiga servicecentren som fungerar – och hur nyckel de är för megatrender, som att flytta sin infrastruktur till molnet – måste de alltid omfamna den senaste tekniken och metoderna för att fortsätta leverera den service som deras kunder kräver. Det är därför jag är övertygad om att datacenter alltid kommer att vara tidiga användare av många tekniker som senare filtrerar igenom resten av vårt dagliga liv.

0 Shares