?機器學習將顯著地改變數據中心經濟，并為改善未來鋪平道路。

隨著機架開始裝滿ASIC、GPU、FPGA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。

這些技術提高了可用于訓練機器學習系統的計算機能力，這是一項以前需要大量數據處理的任務。最終目標是構建更智能的應用程序并增強企業已經每天使用的服務。僅僅依靠人類判斷和常識將遠遠達不到所需的精確度和有效性標準。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，并使用所有數據來改善結果。由于行業廠商提供數據中心管理軟件或利用該技術的基于云的服務的供應商的可用性，一些企業或托管服務提供商沒有相同規模或專業知識已成為機器學習的早期采用者。

根據IDC公司的數據，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。許多整體運營，包括規劃和設計、工作負載、正常運行時間和成本管理，都可以使用機器學習在數據中心進行優化。

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其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。算法可以幫助公司確定轉移如何影響設施的容量，例如，如果它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，機器學習可以更容易地預測和預防。數據中心管理中的機器學習軟件跟蹤關鍵組件的性能數據，如冷卻和電源管理系統，并預測設備何時可能出現故障。因此，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他們的客戶，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能能夠從歷史數據庫中搜索和檢索通常不用于CRM的數據，這將使CRM系統能夠開發新的潛在客戶或客戶成功策略。
• 預算影響分析和建模：該技術將來自數據中心的運營和性能數據與財務數據（尤其是適用稅收信息）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TB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。當您跟蹤數據中心中的所有活動時，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，擁有200多個數據中心的全球最大托管服務提供商DigitalRealtyTrust最近開始測試機器學習技術。人類消耗和處理維持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、溝通和決策能力，DigitalRealty將從中受益。

基本結論是，數據中心運營商在利用人工智能和機器學習方面有很多選擇，而且隨著技術變得更加實惠和先進，將會有更多選擇。美好的未來就在眼前。?