AI使现有流程更完善

展望未来，数据中心运营商正在努力将动态制冷优化的成功扩展到其他领域。一般来说，适合机器学习的领域是那些需要大量重复性的工作的地方。

Ascierto表示：“新的基于机器学习的数据中心方法很可能会应用于现有的业务流程，因为当您彻底了解业务问题和规则时，机器学习会表现的更好。”

企业已经有一些在使用中的监控工具。有一种长期存在的数据中心基础设施管理（DCIM）软件，可以为数据中心资产、相互依赖性、性能和容量提供可见性。DCIM软件具有远程设备监控，电力和环境监控，IT资产管理，数据管理和报告等功能。企业使用DCIM软件来简化容量规划和资源分配，并确保尽可能高效地使用电力，设备和占地面积。

“如果你有一个基本的监控和资产管理，你的预测能力将会大大提高，”Ascierto说。 “人们已经在使用他们自己的数据。”

接下来的目标是：将外部数据添加到DCIM组合中。这就是机器学习发挥关键作用的地方。

数据中心管理即服务或DMaaS是基于DCIM软件的服务。但它不仅仅是一个SaaS版本的DCIM软件。 DMaaS将进一步收集数据，汇总来自数十个数据中心的设备和设备数据。然后将这些数据匿名化，汇总并使用机器学习进行大规模分析。

两家DMaaS市场的早期参与者是Schneider Electric和Eaton。这两家厂商都从他们在数据中心领域多年的经验中挖掘出了大量数据，其中包括设计和构建数据中心，楼宇管理，配电以及电力和制冷服务。

“Schneider Electric和Eaton正在做的事情将产生重大的变化，那就是拥有众多客户数据的数据湖。这对于数据中心部门来说非常有趣，”Ascierto说。

通过从广泛的操作环境中获取这类数据，使企业能够将自己的数据中心性能与全球基准进行比较。例如，Schneider的DMaaS产品名为EcoStruxure IT，它与来自500多个客户和220万个传感器的基准数据的数据湖相关联。

“您不仅可以使用自己的数据理解和解决问题。而且，您还可以使用数千个其他设施的数据，其中包括许多与您的设施非常相似的数据。这是最大的区别，”Ascierto说。

例如，预测性和预防性维护可以从更深层次的智能中受益。 Ascierto说：“以其他机器为基础，在使用水平相似、使用时间相近、部件相似的环境中工作，人工智能可以提前预测出可能会出现的故障。”

情景规划是另一个可以从机器学习中获益的过程。例如，公司今天进行情景规划，估算设备移动对功耗的影响。 “这几乎无法进行机器学习，”Ascierto说。“但通过将机器学习数据、历史数据应用到特定的配置和不同的设计中——使得确定特定配置或设计的结果的能力大大提升。”

风险分析和风险对冲计划也将受益于更深入的分析。 Ascierto说：“数据中心非常复杂，今天的规模如此之大，以至于人类真的很难从中找到规律，但对于机器来说这是轻而易举的。”

未来，机器学习在数据中心的广泛应用将为企业在决定运行某些工作负载的位置时提供更多建议。 “这对组织来说非常有价值，特别是如果他们正在围绕最佳执行场所做出决定时，”Ascierto说。 “这个应用程序应该在这个数据中心运行吗？或者我们应该使用额外的数据中心吗？”

展望未来，智能系统可以承担更复杂的任务，使数据中心能够根据运行效率最高或最可靠的设置来动态调整工作负载。 Carlini说：“复杂的人工智能在未来仍有一段路要走。”

与此同时，对于刚入门的公司，他强调了让设备和IT团队进行更多合作的重要性。

Carlini说：“考虑到数据中心的所有部件 － 电源系统，冷却系统和IT管理室都是非常重要的。必须努力保证不同领域的技术之间的互操作性。同时，企业需要在人员配置方面也这样做。

“虽然这在技术层面上很容易做到，但在组织上，提升的空间依然非常巨大，”他说。