Κέντρα Δεδομένων: Μια Ιδανική Περίπτωση Χρήσης για Βιομηχανική Τεχνητή Νοημοσύνη

Η Ανάπτυξη του Κέντρου Δεδομένων

Μια συχνά επαναλαμβανόμενη αρχή της διοίκησης είναι «Ό,τι μπορεί να μετρηθεί μπορεί να βελτιωθεί». Από τα οικονομικά έως την παραγωγικότητα, πολυάριθμοι γνωστοί δείκτες μετρήσεων και βασικοί δείκτες απόδοσης, όπως τα έσοδα ανά εργαζόμενο, καθοδηγούν τις επιχειρηματικές διαδικασίες και τα συστήματα διαχείρισης.

Οι μετρήσεις και οι μετρήσεις γίνονται ακόμη πιο έντονες στα λειτουργικά συστήματα. Από την ποιότητα έως την αποτελεσματικότητα, αυτές οι μετρήσεις συχνά καθορίζουν τις ίδιες τις διαδικασίες.

Λίγα λειτουργικά περιβάλλοντα επωφελούνται περισσότερο από τη βελτιστοποίηση διαδικασιών από τα κέντρα δεδομένων. Αυτές οι εγκαταστάσεις έχουν τεράστιες κεφαλαιουχικές δαπάνες (μάρτυρας Τα 750 εκατομμύρια δολάρια του Facebook και Τα 600 εκατομμύρια δολάρια της Google νέα κέντρα δεδομένων) και εξίσου σημαντικό λειτουργικό κόστος (καταναλώνουν το 3% της παγκόσμιας ηλεκτρικής ενέργειας και έχουν αποτύπωμα άνθρακα ίσο με το παγκόσμιο αεροπορική βιομηχανία).

Αυτές οι εγκαταστάσεις αποτελούν τη ραχοκοκαλιά της καθημερινότητάς μας, από τη ροή βίντεο έως το εμπόριο και τις τραπεζικές συναλλαγές, και η σημασία τους θα αυξηθεί μόνο με την επέκταση της ψηφιοποίησης και τη συνεχή ροή νέων υπηρεσιών. Η Uber αποτελεί απόδειξη αυτής της δήλωσης.

Μετάβαση σε εναλλακτικές λύσεις κέντρων δεδομένων για χαμηλότερο κόστος, αυξημένη ευελιξία

Ωστόσο, τα κέντρα δεδομένων αντιμετωπίζουν σοβαρές αναταραχές. Η ολοένα και μεγαλύτερη έμφαση στη μείωση του κόστους και των κινδύνων, ενώ παράλληλα αυξάνεται η ευελιξία, έχει φέρει νέα έμφαση σε αυτές τις εγκαταστάσεις. Είναι σημαντικό ότι τα κέντρα δεδομένων έχουν μια πρόσθετη πτυχή που λίγοι άλλοι κλάδοι έχουν: την προαιρετικότητα. Υπάρχουν πολλές έτοιμες εναλλακτικές λύσεις στα παραδοσιακά κέντρα δεδομένων, από λογισμικό στο cloud (όπως το Microsoft 365) έως την τοποθέτηση εξοπλισμού σε μια κοινόχρηστη εγκατάσταση (δηλαδή το πάροχος συντοπισμού αγορά, με πολλούς μεγάλους παίκτες όπως η Digital Realty και η CyrusOne).

Όπως ήταν αναμενόμενο, υπάρχουν πολλές καθιερωμένες μετρήσεις για μέτρηση και λειτουργία κέντρων δεδομένων, συμπεριλαμβανομένης της ενεργειακής απόδοσης, της διαθεσιμότητας και της αξιοποίησης του χώρου. Ωστόσο, με τις αλλαγές στην αγορά κέντρων δεδομένων, επικεντρωνόμαστε πλέον στις σωστές μετρήσεις; Για τις υπάρχουσες μετρήσεις, καταγράφουμε τα σωστά σημεία δεδομένων; Υπάρχουν κρυφές μετρήσεις και μοτίβα που περιμένουν να αξιοποιηθούν για τη μεγιστοποίηση της χρησιμότητας αυτών των εγκαταστάσεων;

Εύρεση των κατάλληλων μετρήσεων για τη μεγιστοποίηση της χρησιμότητας των κέντρων δεδομένων

Για να αντιμετωπίσουμε αυτά τα σημεία, ας εξετάσουμε πρώτα τις ίδιες τις εγκαταστάσεις των κέντρων δεδομένων. Με απλά λόγια, η κλίμακα, η πολυπλοκότητα και η απαιτούμενη βελτιστοποίηση αυτών των εγκαταστάσεων απαιτούν «διαχείριση από την Τεχνητή Νοημοσύνη», καθώς όλο και περισσότερο δεν μπορούν να σχεδιαστούν και να διαχειριστούν με παραδοσιακούς κανόνες και ευρετικές μεθόδους. Υπάρχουν διάφοροι παράγοντες που οδηγούν σε αυτήν την τάση:

• Αποδοτικότητα και περιβαλλοντικές επιπτώσειςΌπως αναφέρθηκε στην αρχή αυτού του άρθρου, τα κέντρα δεδομένων καταναλώνουν μια αξιοσημείωτη ποσότητα ενέργειας και, ως εκ τούτου, ο κλάδος έχει αντιμετωπίσει αναμφισβήτητο έλεγχο σχετικά με το ενεργειακό του αποτύπωμα. Σε συνδυασμό με το κόστος κατανάλωσης, οι φορείς εκμετάλλευσης ασχολούνται με την αποτελεσματικότητα με ολοένα και πιο δημιουργικούς και σύνθετους τρόπους.
• Ενοποίηση κέντρων δεδομένωνΤα κέντρα δεδομένων επωφελούνται απόλυτα από τις οικονομίες κλίμακας και, είτε τα εταιρικά κέντρα δεδομένων ενοποιούνται είτε μεταφέρονται σε εγκαταστάσεις colocation, το αποτέλεσμα είναι ολοένα και μεγαλύτερες εγκαταστάσεις με αυξημένη πυκνότητα και αντίστοιχη κατανάλωση ενέργειας.
• Ανάπτυξη παρόχων ColocationΟι πάροχοι Colocation, όπως η Equinix και η Digital Realty, για τους οποίους η διαθεσιμότητα, η αποδοτικότητα και η μείωση του κόστους είναι πρωταρχικής σημασίας, αναπτύσσονται πέντε φορές ταχύτερα από τη συνολική αγορά, όπως σημειώνεται σε πρόσφατη έκθεση του Ομίλου 451. Αυτοί οι πάροχοι έχουν τεράστια κλίμακα και τα επιχειρηματικά τους μοντέλα που βασίζονται στην αποδοτικότητα θα οδηγήσουν την Τεχνητή Νοημοσύνη ώστε να τους δώσει ένα σαφές πλεονέκτημα έναντι των ανταγωνιστών.
• Υπολογιστική άκρηΗ άνοδος των κέντρων δεδομένων Edge, μικρών κέντρων δεδομένων που συχνά είναι γεωγραφικά διασκορπισμένα, επιτρέπει τη βέλτιστη τοποθέτηση των φόρτων εργασίας. Αντί να είναι αυτόνομες οντότητες, αυτοί οι κόμβοι Edge, σε συνδυασμό με κεντρικά κέντρα δεδομένων ή cloud computing, σχηματίζουν ένα μεγαλύτερο, συνεργατικό υπολογιστικό πλέγμα. Αυτή η πλούσια τοπολογία παρέχει πολυάριθμες εισόδους και ελέγχους για βελτιστοποίηση και διαθεσιμότητα, οι οποίες και πάλι διαχειρίζονται καλύτερα από την Τεχνητή Νοημοσύνη.

Ένας συχνά παραβλεπόμενος παράγοντας: Διαχείριση φόρτου εργασίας

Οι παραπάνω παράγοντες έχουν δικαίως τύχει μεγαλύτερης προσοχής καθώς η αγορά κέντρων δεδομένων έχει εξελιχθεί, ωστόσο υπάρχει ένα άλλο στοιχείο - ίσως το πιο σημαντικό - το οποίο μέχρι πρόσφατα είχε παραβλεφθεί.

Για να εξηγήσουμε αυτόν τον παράγοντα, ας εξετάσουμε μια ενδεικτική αναλογία. Γιατί υπάρχουν τα σπίτια; Όχι για χάρη της κατασκευής, αλλά μάλλον για να παρέχουν στέγη και άνεση στους κατοίκους. Ομοίως, γιατί υπάρχουν τα κέντρα δεδομένων; Όχι για χάρη των πολλών διακομιστών και των τεράστιων συστημάτων ισχύος και κλιματισμού, αλλά μάλλον για τις εφαρμογές ή τα φόρτα εργασίας που εκτελούνται στο κέντρο δεδομένων.

Όλα τα περιουσιακά στοιχεία εντός του κέντρου δεδομένων, από τα συστήματα λογισμικού έως την ίδια την εγκατάσταση, και τις διαδικασίες διαχείρισης για αυτά τα περιουσιακά στοιχεία, υπάρχουν αποκλειστικά για να υποστηρίζουν τα φόρτα εργασίας που εκτελούνται πάνω σε αυτά τα περιουσιακά στοιχεία. Αυτό αποφέρει την πειθαρχία του Διαχείριση Περιουσιακών Στοιχείων Φόρτου Εργασίας, η οποία ορίζεται ως «η δυνατότητα βελτιστοποίησης του φόρτου εργασίας μέσω έξυπνης γνώσης και ολοκληρωμένης διαχείρισης των υποκείμενων περιουσιακών στοιχείων».

Η Σημασία της Διαχείρισης Φορτίου Εργασίας

Πώς επεκτείνει η Διαχείριση Περιουσιακών Στοιχείων Φόρτου Εργασίας το μότο της διαχείρισης μέσω Τεχνητής Νοημοσύνης; Με πολλούς τρόπους:

• Βελτιστοποίηση διαθεσιμότητας ενσωματώνοντας την προβλεπόμενη κατάσταση εικονικοποίησης, εγκατάστασης ή εξοπλισμού IT στη διαχείριση φόρτου εργασίας. Τα φόρτα εργασίας μπορούν να μετακινηθούν προληπτικά σε εικονικά περιβάλλοντα, εντός ή μεταξύ κέντρων δεδομένων ή να συντονιστούν με εναλλακτικές λύσεις cloud, για τη βελτιστοποίηση της διαθεσιμότητας των εφαρμογών.
• Ολιστική διαχείριση φόρτων εργασίας συμπεριλαμβάνοντας νέους παράγοντες όπως το «Κόστος ανά Φόρτο Εργασίας», τόσο τρέχοντες όσο και αναμενόμενοι, στις παραμέτρους τοποθέτησης και διαχείρισης.
• Βελτιστοποίηση της χρήσης ενέργειας διαχειριζόμενοι την εγκατάσταση με βάση τη συμπεριφορά του φόρτου εργασίας. Γιατί να διατηρούμε ένα σπίτι πλήρως ψυχρό όταν δεν υπάρχει κανείς στο σπίτι; Δεν το κάνουμε. Δεν θα έπρεπε τα κέντρα δεδομένων να λειτουργούν με τον ίδιο τρόπο; Έχοντας μια εικόνα για τους ίδιους τους φόρτους εργασίας, τα συστήματα ψύξης και πληροφορικής μπορούν να επιταχυνθούν προς τα πάνω ή προς τα κάτω με βάση την τρέχουσα και την αναμενόμενη συμπεριφορά.
• Βελτίωση σεναρίων προγνωστικής συντήρησης και βλαβών χρησιμοποιώντας πολυπαραμετρική ανάλυση, ενσωματώνοντας όλα τα διαθέσιμα σημεία δεδομένων, συμπεριλαμβανομένων εκείνων από φόρτους εργασίας, για τη βελτίωση των αποτελεσμάτων.
• Έξυπνη διαχείριση συναγερμών και ειδοποιήσεων με την ομαλοποίηση και τον ορθολογισμό σημαντικών συμβάντων σε ένα ολόκληρο οικοσύστημα, από τις εγκαταστάσεις έως το φόρτο εργασίας. Ένα κοινό πρόβλημα στα κέντρα δεδομένων είναι η αντιμετώπιση των αλυσιδωτών ειδοποιήσεων, γεγονός που καθιστά δύσκολη την αντιμετώπιση της βασικής αιτίας των προβλημάτων. Η ανάπτυξη των κέντρων δεδομένων Edge, τα οποία συχνά είναι απομακρυσμένα και χωρίς προσωπικό, επιδεινώνει σημαντικά αυτό το πρόβλημα. Η Τεχνητή Νοημοσύνη, σε συνδυασμό με αλγόριθμους αλλαγής ρυθμού, απόκλισης ή παρόμοιους αλγόριθμους, παρέχει έναν ιδανικό μηχανισμό για τον εντοπισμό και την αντιμετώπιση κρίσιμων ειδοποιήσεων.

Αρκετές σημαντικές και κοινές τάσεις αναδύονται σε αυτό το τμήμα της βιομηχανικής αγοράς Τεχνητής Νοημοσύνης:

• Χρήση όλων των εισροών για βελτιστοποίηση των αποτελεσμάτωνΟι λειτουργίες των κέντρων δεδομένων παράγουν μια τεράστια ποσότητα χρήσιμων πληροφοριών διαχείρισης, από κρίσιμες υποδομές (ενέργεια, θερμική ενέργεια) έως ασφάλεια (παραβιάσεις, ανωμαλίες) και πληροφορική (διακομιστής, εικονικοποίηση). Συνήθως, μόνο ένα μικρό υποσύνολο αυτών των πληροφοριών χρησιμοποιήθηκε ή προσαρμόστηκε στο συγκεκριμένο μετρικό ή KPI. Ωστόσο, ένα πραγματικό γνωστικό σύστημα επιτρέπει τη λήψη υπόψη όλων των εισροών, καθώς μπορεί να υπάρχουν προηγουμένως άγνωστα αλλά πλούσια μοτίβα που βελτιώνουν σημαντικά τα αποτελέσματα.
• Μετάβαση από την αντιδραστική στην προληπτικήΤα κέντρα δεδομένων είναι κυρίως αντιδραστικά: Η μετακίνηση εφαρμογών συμβαίνει μετά από μια βλάβη. Τα θερμικά συστήματα λειτουργούν με βάση τις αλλαγές στη θερμοκρασία. Τα τρωτά σημεία αντιμετωπίζονται μετά από μια παραβίαση ασφαλείας. Ένα καλά υλοποιημένο σύστημα τεχνητής νοημοσύνης, με πλούσιες εισόδους δεδομένων, γνωστική ανάλυση και κατάλληλα συστήματα διοίκησης και ελέγχου, μετατοπίζει θεμελιωδώς ένα κέντρο δεδομένων από την αντιδραστική στην προληπτική λειτουργία. Τι θα γινόταν αν τα φόρτα εργασίας τοποθετούνταν βέλτιστα με βάση τη μελλοντική ζήτηση και την κατάσταση της υποδομής; Τι θα γινόταν αν ο εξοπλισμός επισκευαζόταν προληπτικά με βάση εξαιρετικά ακριβείς μελλοντικές προβλέψεις βλάβης; Τι θα γινόταν αν τα σημεία εισόδου έκλειναν προληπτικά με βάση τις αναμενόμενες ανωμαλίες ασφαλείας; Αυτή η μετατόπιση από τις αντιδραστικές στις προληπτικές λειτουργίες αντιπροσωπεύει την τελευταία λέξη της τεχνολογίας στην αγορά των κέντρων δεδομένων.
• Ανάλυση εναλλακτικών λύσεωνΤα σενάρια "what-if" αποτελούν βασικό στοιχείο των συστημάτων διαχείρισης, αλλά τείνουν να είναι χειροκίνητα και "εκτός σύνδεσης". Αντίθετα, τα πραγματικά συστήματα Τεχνητής Νοημοσύνης χρησιμοποιούν ανάλυση σε πραγματικό χρόνο όλων των διακριτών επιλογών, αξιοποιώντας πλούσιες εισροές για τον προσδιορισμό των αποτελεσμάτων. Σε ένα περιβάλλον με τόσες πολλές μεταβλητές όσο ένα κέντρο δεδομένων, τα σενάρια "what-if" απλά δεν μπορούν να παρέχουν τις απαιτούμενες πληροφορίες σε πραγματικό χρόνο και βαθιά γνώση των επιχειρησιακών εναλλακτικών λύσεων.

Η ιδανική περίπτωση χρήσης για βιομηχανική τεχνητή νοημοσύνη

Τα κέντρα δεδομένων αποτελούν ιδανική περίπτωση χρήσης για τη Βιομηχανική Τεχνητή Νοημοσύνη: πολύπλοκα, ενεργοβόρα και κρίσιμα, με ένα πολύ μεγάλο σύνολο εισόδων και σημείων ελέγχου που μπορούν να διαχειριστούν σωστά μόνο μέσω ενός αυτοματοποιημένου συστήματος. Με τις συνεχώς εξελισσόμενες καινοτομίες στα κέντρα δεδομένων, από τη Διαχείριση Απόδοσης Εφαρμογών που συνδέεται με τη φυσική υποδομή έως την στενά συνδεδεμένη εικονικοποίηση και τις τοπολογίες πολλαπλών κέντρων δεδομένων, η ανάγκη και το όφελος της Τεχνητής Νοημοσύνης θα αυξηθούν μόνο.

Έντσο Γκρέκο είναι Πρόεδρος της Λογισμικό Nlyte Ο κορυφαίος πάροχος λύσεων διαχείρισης υποδομών κέντρων δεδομένων (DCIM) που βοηθά τους οργανισμούς να αυτοματοποιήσουν και να βελτιστοποιήσουν τη διαχείριση της υπολογιστικής τους υποδομής.