هوش مصنوعی و یادگیری ماشین: مرز جدید برای نوآوری و بهینه سازی مرکز داده
با افزایش تقاضا برای پردازش و ذخیره‌سازی داده‌ها، مراکز داده با چالش توسعه و گسترش دست و پنجه نرم می‌کنند. تغییر چشم‌انداز پلتفرم‌ها، طراحی تجهیزات، توپولوژی‌ها و نیازمندی‌های Passive مانند توان خنک کننده‌ها، همگی بر نیاز مبرم به طرح‌های معماری جدید مراکز داده تأکید می‌کنند. بر این اساس رویکردهای سنتی مرکز داده باید بازنگری شوند.
مراکز داده اکنون در حال ادغام فناوری‌های هوش مصنوعی (AI) و یادگیری ماشین (ML) در زیرساخت‌های خود هستند تا بتوانند در فضای رقابتی باقی بمانند. با پیاده‌سازی یک لایه مبتنی بر هوش مصنوعی در معماری‌های سنتی مرکز داده، شرکت‌ها می‌توانند مراکز داده مستقلی ایجاد کنند که می‌تواند وظایف مهندسی داده‌های عمومی را بدون دخالت انسان، بهینه‌سازی و انجام دهند.
تقویت معماری‌های سنتی با هوش مصنوعی
گسترش فناوری‌های هوش مصنوعی و یادگیری ماشین در مراکز داده در سال‌های اخیر قابل توجه بوده است. هوش مصنوعی حالا تبدیل به یک محرک برای بالاتر رفتن عملکرد و بهره‌وری در موارد استفاده مختلف شده است.
ساجد محمدی، EVP شرکت مشاوره فناوری Nisum در سیلیکون ولی، می‌گوید: «مراکز داده مبتنی بر هوش مصنوعی می‌توانند به سازمان‌ها کمک کنند تا با بهینه‌سازی عملکرد و در دسترس بودن برنامه‌ها، مزیت رقابتی کسب کنند، که به نوبه خود به افزایش رضایت و وفاداری مشتری کمک می‌کند. افزودن هوش مصنوعی به سیستم، به تخصیص بهینه منابع کمک می‌کند، که کارایی مرکز داده را بهبود می‌بخشد و هزینه‌ها را کاهش می‌دهد.»
تشخیص و پیش‌بینی سریع خرابی، تجزیه و تحلیل علت ریشه‌ای، بهینه‌سازی مصرف انرژی و بهینه‌سازی تخصیص ظرفیت منابع تنها چند نمونه هستند که در آن‌ها از داده‌ها و فناوری‌های الگوریتم محور برای به حداکثر رساندن کارایی مرکز داده استفاده می‌شود.
تجهیز مراکز داده به هوش مصنوعی برای هر کسب و کار مبتنی بر داده به طور فزاینده‌ای ضروری می‌شود، زیرا قطعی‌های مکرر گران تمام می‌شوند. مراکز داده مبتنی بر هوش مصنوعی مجموعه‌ای از مزایا را ارائه می‌دهند، که از جمله آن‌ها می‌توان به کاهش زمان از کار افتادگی و افزایش قابلیت اطمینان کلی سیستم اشاره کرد که در نهایت منجر به صرفه‌جویی چشم‌گیر در هزینه‌ها برای سازمان‌ها می‌شود.
افزایش توانایی تشخیص و پیش بینی خطا
به گفته الن کامپانا، رهبر هوش مصنوعی سازمانی در KPMG ایالات متحده، هوش مصنوعی در طول تاریخ برای افزایش بهینه سازی ذخیره‌سازی داده‌ها، استفاده از انرژی و دسترسی استفاده می‌شده است. با این حال، در سال‌های اخیر، روند قابل‌توجهی در گسترش ابزارهای هوش مصنوعی برای به عهده گرفتن وظایف تشخیص و پیش‌بینی خطا وجود داشته است که می‌تواند مکانیسم‌های خود ترمیمی را راه‌اندازی کند.
کامپانا ادامه داد: «کلید ساده‌سازی تشخیص خودکار، ارائه جزئیات عملیات سخت‌افزاری و نرم‌افزاری، از جمله ترافیک شبکه، به هوش مصنوعی است. اگر ترافیک درون یک node خاص کند شود، هوش مصنوعی می‌تواند آن الگو را شناسایی کرده و یک فرآیند یا کل node را مجددا راه‌اندازی کند.»
پراتیک گوپتا، مدیر ارشد فناوری IBM Automation، معتقد است که هوش مصنوعی دارای پتانسیل تحول‌آفرین در مرکز داده و محیط‌های ابری ترکیبی است. هوش مصنوعی با تقویت تجارب کاربر در برنامه‌ها، ساده‌سازی عملیات، و توانمند ساختن CIOها و تصمیم‌گیرندگان تجاری برای جمع‌آوری بینش از مجموعه‌ای از داده‌ها، نوآوری و بهینه‌سازی را تسریع می‌کند.
تصویر واضحی از سطوح منابع برنامه
گوپتا می‌گوید: IBM انتظار دارد مصرف انرژی مرکز داده تا سال ۲۰۳۰ به دلیل انقضای قانون مور و افزایش حجم داده، سرعت و حجم کاری پر انرژی، ۱۲ درصد (یا بیشتر) افزایش یابد. او ادامه داد: «به عبارت ساده، هوش مصنوعی می‌تواند میزان خرید سخت‌افزار لازم برای نگهداری، مدیریت و نظارت را کاهش دهد.»
به گفته گوپتا، مدیران مراکز داده باید تصویر واضحی از سطوح منابع برنامه کاربردی سازمان خود داشته باشند، تا امکان مقیاس بندی چابک برای برآورده کردن تقاضا لحظه‌ای را فراهم کنند. اتوماسیون مبتنی بر هوش مصنوعی می‌تواند نقشی کلیدی در این فرآیند ایفا کند و خطر ازدحام منابع و تأخیر را کاهش دهد و در عین حال مطمئن شود که حجم کار سخت‌افزار در محدوده استاندارد باقی می‌ماند و استانداردهای عملکرد رعایت می‌شوند.
به عنوان مثال، Turbonomic IBM می‌تواند به طور خودکار سطوح منابع برنامه و مقیاس را با نیازهای تجاری بهینه کند. گوپتا می‌گوید: «این به مدیران فناوری اطلاعات امکان می‌دهد تا یک داشبورد واحد برای نظارت بر سطوح منابع و تصمیم‌گیری در لحظه داشته باشند. این باعث بهبود کارایی می‌شود زیرا مدیران فناوری اطلاعات می‌توانند از تخصیص درست منابع برای برنامه‌ها اطمینان حاصل کنند.»
به حداکثر رساندن مزایای مراکز داده مبتنی بر هوش مصنوعی
موارد استفاده از هوش مصنوعی و یادگیری ماشین در مراکز داده همچنان در حال رشد هستند، اما سازمان‌ها باید برخی از عوامل کلیدی را قبل از اجرای آن‌ها در نظر بگیرند. در حالی که راهکارهای از پیش تنظیم شده AI و ML به طور فزاینده‌ای در دسترس هستند، هنوز هم نیاز به یکپارچه سازی فراتر از راهکارهای نقطه‌ای دارند. استقرار هوش مصنوعی DIY امکان پذیر است، اما این امر نیاز به سرمایه گذاری در حسگرها برای جمع آوری داده‌ها و تخصص برای تبدیل داده‌های جمع آوری شده به بینش قابل استفاده دارد.
کامپانا از KPMG می‌گوید: «بسیاری از سازمان‌ها تصمیم می‌گیرند که مراکز داده خودشان را پیاده‌سازی کنند، زیرا می‌توانند مطمئن شوند که داده‌ها با داده‌های دیگران ادغام نمی‌شوند یا به روش‌هایی استفاده نمی‌شوند که از کنترل آن‌ها خارج باشد. در حالی که این درست است، سازمان‌ها باید مسئولیت حفظ امنیت و حریم خصوصی را بپذیرند.»
با منابع مناسب، مراکز داده می‌توانند هوشمندتر و کارآمدتر شوند، اما دستیابی به این هدف نیازمند برنامه ریزی بهینه است. گوپتا از IBM می‌گوید: «برنامه ریزی باید یک ستون کلیدی برای پیاده سازی مراکز داده مبتنی بر هوش مصنوعی باشد. استقرارهای موفق یک شبه اتفاق نمی‌افتند و قبل از راه‌اندازی به مقدار قابل توجهی تکرار و تفکر نیاز دارند. رهبران فناوری اطلاعات باید عواملی مانند درک اینکه چه سخت افزاری را می‌توانند و باید نگه دارند و چه حجم کاری برای انتقال به فضای ابری نیاز دارند را در نظر بگیرند.»
انعطاف پذیری حیاتی است
کلید موفقیت مراکز داده مبتنی بر هوش مصنوعی، اتخاذ یک رویکرد استراتژیک است. این به معنای شناسایی موارد استفاده مناسب برای هوش مصنوعی و یادگیری ماشین، سرمایه‌گذاری در زیرساخت‌ها و ابزارهای لازم و توسعه نیروی کار ماهر برای مدیریت و نگهداری مؤثر سیستم‌ها است.
گوپتا می‌گوید: «شرکت‌ها اغلب زیرساخت‌های گسترده را حفظ می‌کنند – از مراکز داده توزیع شده در مکان‌های گوناگون تا استقرارهای مختلف ابری. رهبران فناوری اطلاعات باید در نظر بگیرند که آیا باید مجموعه‌ای بسازند تا همه منابع داده با یکدیگر همگرا شوند یا آماده سازی داده‌ها، ابزارهای یادگیری ماشین و هوش مصنوعی را به هر مکان بیاورند. همانطور که شرکت‌ها زیرساخت فناوری اطلاعات خود را تغییر می‌دهند، علاوه بر در نظر گرفتن ارزش ارائه شده، باید آسیب پذیری‌های ایجاد شده را نیز در نظر بگیرند.» او افزود: «بهترین برنامه ریزی هم ممکن است نتیجه ندهد. همین امر می‌تواند در مورد عرضه فناوری نیز صادق باشد، و سازمان چابک که بتواند مسیر را به سرعت تنظیم کند، موفق تر خواهد بود.»
چهار استراتژی نوظهور برای بهبود عملکرد IT و مرکز داده
، MLOps، DevOps و SecOps هر کدام نقاط قوت منحصر به فردی دارند. وقتی با هم ترکیب شوند، عملیات مرکز داده و عملکرد فناوری اطلاعات گسترده‌تر را بهینه می‌کنند، هزینه‌ها را کاهش می‌دهند و امکان بهبود خدمات را فراهم می‌کنند.
AIOps مرکز داده و گردش کار فناوری اطلاعات در سراسر شرکت را خودکار و مقیاس می‌کند
AIOps در حال تبدیل شدن به هسته اصلی تلاش‌های مربوط به حفظ محیط زیست و کاهش تولید آلودگی شرکت‌ها در مراکز داده است و در شناسایی چرایی شکاف‌های عملکردی مؤثر بوده است. هسته اصلی این فناوری توانایی آن در تفسیر و پیشنهاد اقدامات مبتنی بر داده‌های عملکرد در لحظه (تحلیل علی) است.
برای مثال، Walmart از AIOps برای ساده‌سازی عملیات تجارت الکترونیک استفاده می‌کند. AIOps به ترکیبی از مدل‌های یادگیری ماشین و پردازش زبان طبیعی برای کشف جریان‌های کاری فرآیند جدید که می‌تواند دقت، مقرون‌به‌صرفه و کارایی عملیات مرکز داده را بهبود بخشد، متکی است. خرده فروشان همچنین از AIOps برای شناسایی و حل و فصل فرآیندهای ناکارآمد و قطع شده در لحظه استفاده می‌کنند و در عین حال پشته‌های فناوری و مدیریت زیرساخت گسترده تر را خودکار می‌کنند.
AIOps تشخیص ناهنجاری در لحظه را در پلتفرم‌های تجارت الکترونیکی امکان پذیر می‌کند. این فناوری همچنین در ارتباط داده‌ها از همه منابع موجود در یک مرکز داده برای ارائه یک نمای ۳۶۰ درجه از عملیات و شناسایی مکان‌هایی که در دسترس بودن، کنترل هزینه و عملکرد را می‌توان بهبود بخشید، برتر است.
خرده فروشان برای تسریع در توسعه برنامه به DevOps متکی هستند
خرده‌فروشان برای ماندن در رقابت و کوتاه‌تر شدن زمان عرضه به بازار برای اپلیکیشن‌ها و ویژگی‌های جدید، به DevOps متکی هستند. DevOps مبتنی بر رویکرد روش‌شناسی توسعه نرم‌افزار است که بر همکاری و ارتباط بین توسعه‌دهندگان نرم‌افزار و تیم‌های عملیات فناوری اطلاعات تأکید دارد. ثابت شده است که در ساده‌سازی تحویل و توسعه نرم‌افزار برای برنامه‌های جدید تلفن همراه، ویژگی‌های وب‌سایت و پیشرفت‌های مبتنی بر تجربه مشتری مؤثر است.
Amazon، Target، Nordstrom، Walmart و سایر خرده فروشان پیشرو DevOps را به عنوان فرآیند اصلی توسعه نرم افزار خود پذیرفته‌اند. مدیران خرده‌فروشی به VentureBeat می‌گویند که هرچه کیفیت پایه کد DevOps بالاتر باشد، مراکز داده کارآمدتر با آخرین نسخه برنامه برای مشتریان در سراسر جهان اجرا می‌شوند.
MLOps یک رویکرد مبتنی بر چرخه حیات ارائه می‌دهد
همانطور که خرده فروشان Data Scientistهای بیشتری را به خدمت می‌گیرند، MLOps به اندازه DevOps برای به روز نگه داشتن مدل‌ها و قابل استفاده بودن اهمیت می‌یابد. MLOps اصول DevOps را برای مدل‌ها و الگوریتم‌های یادگیری ماشین اعمال می‌کند. خرده فروشان پیشرو از MLO برای طراحی، آزمایش و انتشار مدل‌های جدید برای بهبود بخش بندی مشتری، پیش بینی تقاضا و مدیریت موجودی استفاده می‌کنند.
MLOps در حل پرهزینه‌ترین و چالش برانگیزترین مشکلات در خرده فروشی، با مدیریت موجودی و بهینه سازی، موثر است. عدم قطعیت زنجیره تامین، کمبود مزمن نیروی کار و هزینه‌های تورمی مارپیچ، مدیریت موجودی را به معضلی برای خرده‌فروشان تبدیل کرده است.
Macy’s، Walmart و دیگران از MLO برای بهینه‌سازی قیمت‌گذاری و مدیریت موجودی استفاده می‌کنند و به خرده‌فروشان کمک می‌کنند تا تصمیم‌هایی بگیرند که هزینه‌ها را کاهش می‌دهند و خود را از خطر نگهداری موجودی بیش از حد محافظت کنند.
SecOps برای ایمن سازی هر هویت و سطح تهدید به هوش مصنوعی و ML متکی است
SecOps تضمین می‌کند که مراکز داده و زیرساخت گسترده IT ایمن و سازگار می‌شوند. امنیت Zero trust، که فرض می‌کند نمی‌توان به هیچ کاربر یا دستگاهی اعتماد کرد و هر هویتی باید تأیید شود، پایه و اساس اجرای موفقیت آمیز SecOps است. هدف کاهش سطح حمله و خطرات حملات سایبری پیچیده‌تر است.
SecOps امنیت مرکز داده را با ترکیب اثبات شده‌ترین تکنیک‌ها برای کاهش نفوذ و درز اطلاعات بهینه می‌کند. اتخاذ تدابیر امنیتی اعتماد صفر به خرده فروشان کمک می‌کند تا از هویت مشتریان، کارمندان و تامین کنندگان خود محافظت کنند و microsegmentation می‌تواند میزان تخریب هر حمله را محدود کند.
هوش مصنوعی و آینده فناوری مرکز داده
Edge computing به عنوان یکی از امیدوارکننده‌ترین فناوری‌ها برای توسعه مراکز داده مبتنی بر هوش مصنوعی در حال ظهور است. Edge computing با پردازش داده‌ها نزدیک‌تر به منبع، تأخیر را کاهش می‌دهد و عملکرد کلی را بهبود می‌بخشد. هنگامی که این فناوری با هوش مصنوعی ترکیب می‌شود، پتانسیل دستیابی به قابلیت‌های تجزیه و تحلیل و تصمیم‌گیری بلادرنگ را ارائه می‌دهد و مراکز داده را قادر می‌سازد تا برنامه‌های کاربردی حیاتی را در آینده مدیریت کنند.
Campana از KPMG می‌گوید: «حرکت به ۵G یک گام بزرگ در این انتقال بود و موجی از نوآوری در زیرساخت‌های نرم‌افزار مبتنی بر هوش مصنوعی را به راه انداخته است. برای کسب‌وکارهایی که مراکز داده جدید را راه‌اندازی می‌کنند، لازم است که زمان بندی خود را برای پذیرش ۵G و به‌روزرسانی‌های دیگر سخت‌افزار کاربر نهایی در نظر گرفته و تدویل کنند.»
گوپتا، اتوماسیون هوشمند داده را به عنوان راهی برای تداوم نفوذ به صنایع تحت نظارت شدید می‌داند، زیرا هوش مصنوعی و ابزارهای مرکز داده طوری طراحی خواهند شد که به طور خودکار الزامات انطباق را برآورده کنند. او می‌گوید: همانطور که هوش مصنوعی و اتوماسیون بیشتر در مراکز داده جاسازی می‌شوند، آن‌ها قادر خواهند بود سخت ترین پروتکل‌های انطباق را رعایت کنند.»
