Centri dati: un caso d'uso ideale per l'intelligenza artificiale industriale

La crescita del data center

Un principio spesso ripetuto nel management è "Ciò che si può misurare si può migliorare". Dalla finanza alla produttività, numerose metriche e indicatori chiave di prestazione ben noti, come il fatturato per dipendente, guidano i processi aziendali e i sistemi di gestione.

La misurazione e le metriche assumono un'importanza ancora maggiore nei sistemi operativi; dalla qualità all'efficienza, queste metriche spesso definiscono i processi stessi.

Pochi ambienti operativi traggono maggior vantaggio dall'ottimizzazione dei processi rispetto ai data center. Queste strutture hanno ingenti spese in conto capitale (testimonianza Facebook ha investito 750 milioni di dollari and Google ha investito 600 milioni di dollari nuovi data center) e costi operativi altrettanto significativi (consumano il 3% dell'elettricità mondiale e hanno un'impronta di carbonio pari a quella mondiale industria aeronautica).

Questi servizi costituiscono la spina dorsale della nostra vita quotidiana, dallo streaming video al commercio e ai servizi bancari, e la loro importanza non potrà che aumentare con l'espansione della digitalizzazione e il flusso continuo di nuovi servizi. Uber ne è la prova.

Passaggio ad alternative ai data center per costi inferiori e maggiore flessibilità

Eppure i data center stanno subendo una profonda trasformazione. Una sempre maggiore attenzione alla riduzione dei costi e dei rischi, unitamente a una maggiore flessibilità, ha posto queste strutture sotto i riflettori. È importante sottolineare che i data center possiedono un aspetto aggiuntivo che pochi altri settori hanno: la flessibilità. Esistono numerose alternative al data center tradizionale, dal software nel cloud (come Microsoft 365) al posizionamento delle apparecchiature in una struttura condivisa (ovvero il data center). fornitore di servizi di colocation mercato, con molti attori di spicco come Digital Realty e CyrusOne).

Non sorprende che esistano molte metriche consolidate per misurazione e gestione dei centri dati, tra cui efficienza energetica, disponibilità e utilizzo dello spazio. Tuttavia, con i cambiamenti nel mercato dei data center, ci stiamo concentrando davvero sulle metriche giuste? Per le metriche esistenti, stiamo raccogliendo i dati corretti? Ci sono metriche e modelli nascosti che aspettano solo di essere sfruttati per massimizzare l'utilità di queste strutture?

Individuare le metriche giuste per massimizzare l'utilità dei data center

Per affrontare questi punti, consideriamo innanzitutto le infrastrutture dei data center. In parole semplici, la scalabilità, la complessità e l'ottimizzazione necessarie a queste infrastrutture richiedono una "gestione tramite intelligenza artificiale", poiché non possono più essere pianificate e gestite con regole ed euristiche tradizionali. Diversi fattori contribuiscono a questa tendenza:

• Efficienza e impatto ambientaleCome accennato all'inizio di questo articolo, i data center consumano una quantità considerevole di energia e, di conseguenza, il settore è stato sottoposto a un innegabile esame per quanto riguarda la sua impronta energetica. Insieme ai costi di consumo, gli operatori stanno affrontando il problema dell'efficienza in modi sempre più creativi e complessi.
• Consolidamento del data centerI data center traggono indubbiamente vantaggio dalle economie di scala e, sia che i data center aziendali vengano consolidati o trasferiti in strutture di colocation, il risultato è la creazione di strutture sempre più grandi, con una maggiore densità e un consumo energetico proporzionato.
• Crescita dei fornitori di servizi di colocationI fornitori di servizi di colocation, come Equinix e Digital Realty, per i quali disponibilità, efficienza e riduzione dei costi sono di primaria importanza, stanno crescendo cinque volte più velocemente rispetto al mercato complessivo, come evidenziato da un recente rapporto di 451 Group. Questi fornitori vantano una scalabilità enorme e i loro modelli di business orientati all'efficienza sfrutteranno l'intelligenza artificiale per offrire loro un netto vantaggio competitivo.
• Edge computingL'ascesa dei data center Edge, piccoli data center spesso geograficamente distribuiti, consente di posizionare i carichi di lavoro in modo ottimale. Anziché essere entità indipendenti, questi nodi Edge, combinati con data center centrali o con il cloud computing, formano una struttura di elaborazione cooperativa più ampia. Questa topologia complessa offre numerosi input e controlli per l'ottimizzazione e la disponibilità, che a loro volta vengono gestiti al meglio dall'intelligenza artificiale.

Un fattore spesso trascurato: la gestione degli asset del carico di lavoro

I fattori sopracitati hanno giustamente ricevuto maggiore attenzione con l'evoluzione del mercato dei data center, tuttavia esiste un altro elemento – forse il più importante in assoluto – che fino a poco tempo fa era stato trascurato.

Per spiegare questo fattore, consideriamo un'analogia esemplificativa. Perché esistono le case? Non per la loro struttura in sé, ma per fornire riparo e comfort ai loro abitanti. Allo stesso modo, perché esistono i data center? Non per i numerosi server e gli enormi impianti di alimentazione e condizionamento, ma per le applicazioni o i carichi di lavoro che vi vengono eseguiti.

Tutte le risorse all'interno del data center, dai sistemi software alla struttura stessa, e i processi di gestione di tali risorse, esistono unicamente per supportare i carichi di lavoro che vengono eseguiti su tali risorse. Ciò genera la disciplina di Gestione degli asset del carico di lavoroche viene definita come "la possibilità di ottimizzare il carico di lavoro attraverso un'analisi intelligente e una gestione completa delle risorse sottostanti".

L'importanza della gestione degli asset di carico di lavoro

In che modo la gestione degli asset di carico di lavoro amplia il mantra della gestione tramite intelligenza artificiale? In molti modi:

• Ottimizzazione della disponibilità Integrando lo stato previsto della virtualizzazione, delle infrastrutture o delle apparecchiature IT nella gestione dei carichi di lavoro, è possibile spostare preventivamente i carichi di lavoro tra ambienti virtuali, all'interno o tra data center, oppure coordinarli con alternative cloud, per ottimizzare la disponibilità delle applicazioni.
• Gestione olistica dei carichi di lavoro includendo nuovi fattori come il "Costo per carico di lavoro", sia attuale che previsto, nelle considerazioni relative al collocamento e alla gestione.
• Ottimizzazione del consumo energetico Gestendo la struttura in base al comportamento del carico di lavoro. Perché mantenere una casa completamente climatizzata quando non c'è nessuno? Non lo facciamo. I data center non dovrebbero funzionare allo stesso modo? Avendo una visione chiara dei carichi di lavoro, i sistemi di raffreddamento e IT possono essere regolati in base al comportamento attuale e previsto.
• Miglioramento della manutenzione predittiva e degli scenari di guasto Utilizzando l'analisi multivariata, che incorpora tutti i dati disponibili, compresi quelli relativi ai carichi di lavoro, per migliorare i risultati.
• Gestione intelligente di allarmi e avvisi Normalizzando e razionalizzando gli eventi significativi all'interno di un intero ecosistema, dalle infrastrutture ai carichi di lavoro. Un problema comune nei data center è la gestione di avvisi concatenati, che rende difficile affrontare la causa principale dei problemi. La crescita dei data center Edge, spesso remoti e non presidiati, aggrava notevolmente questo problema. L'intelligenza artificiale, se abbinata ad algoritmi di variazione della frequenza, deviazione o simili, fornisce un meccanismo ideale per identificare e intervenire sugli avvisi critici.

In questo segmento del mercato dell'IA industriale stanno emergendo diverse tendenze importanti e comuni:

• Utilizzare tutti gli input per ottimizzare i risultatiLe operazioni dei data center generano un'enorme quantità di informazioni gestionali utili, dalle infrastrutture critiche (alimentazione, gestione termica) alla sicurezza (violazioni, anomalie) fino all'IT (server, virtualizzazione). In genere, solo una piccola parte di queste informazioni veniva utilizzata o adattata alla specifica metrica o KPI. Tuttavia, un vero sistema cognitivo consente di considerare tutti gli input, poiché potrebbero esserci modelli precedentemente sconosciuti ma ricchi di informazioni che migliorano notevolmente i risultati.
• Passare da un approccio reattivo a uno proattivoI data center sono prevalentemente reattivi: lo spostamento delle applicazioni avviene solo dopo un guasto; i sistemi termici funzionano in base alle variazioni di temperatura; le vulnerabilità vengono affrontate solo dopo una violazione della sicurezza. Un sistema di intelligenza artificiale ben implementato, con input di dati completi, analisi cognitive e sistemi di comando e controllo adeguati, trasforma radicalmente un data center da reattivo a proattivo. Cosa succederebbe se i carichi di lavoro venissero posizionati in modo ottimale in base alla domanda futura e allo stato dell'infrastruttura? Cosa succederebbe se le apparecchiature venissero riparate preventivamente in base a previsioni di guasto future estremamente accurate? Cosa succederebbe se i punti di accesso venissero chiusi preventivamente in base ad anomalie di sicurezza previste? Questo passaggio da operazioni reattive a proattive rappresenta lo stato dell'arte nel mercato dei data center.
• Analisi delle alternativeGli scenari "what-if" sono un elemento fondamentale dei sistemi di gestione, ma tendono ad essere manuali e "offline". Al contrario, i veri sistemi di intelligenza artificiale utilizzano l'analisi in tempo reale di tutte le opzioni possibili, sfruttando input dettagliati per determinare i risultati. In un ambiente con così tante variabili come un data center, gli scenari "what-if" semplicemente non possono fornire le informazioni in tempo reale e la profonda comprensione delle alternative operative necessarie.

Il caso d'uso ideale per l'IA industriale

I data center rappresentano un caso d'uso ideale per l'IA industriale: complessi, ad alta intensità energetica e critici, con un'ampia gamma di input e punti di controllo che possono essere gestiti correttamente solo tramite un sistema automatizzato. Con le continue innovazioni nei data center, dalla gestione delle prestazioni delle applicazioni (API) collegata all'infrastruttura fisica alla virtualizzazione strettamente interconnessa e alle topologie multi-data center, la necessità e i vantaggi dell'IA non potranno che aumentare.

Enzo Greco è il presidente di Software Nlyte Il fornitore leader di soluzioni per la gestione dell'infrastruttura dei data center (DCIM), che aiuta le organizzazioni ad automatizzare e ottimizzare la gestione della propria infrastruttura informatica.