在经济的数字化转型过程中，人类必须建立越来越多的数据中心。 数据中心本身也必须进行转换：容错和能源效率问题现在比以往任何时候都更加重要。 设施消耗大量电力，而位于其中的关键IT基础设施的故障使企业损失了很多钱。 在工程师的帮助下，出现了人工智能和机器学习技术-近年来，它们已越来越多地用于创建更高级的数据中心。 这种方法增加了设施的可用性，减少了故障次数并降低了运营成本。
如何运作？
人工智能和机器学习技术用于根据从各种传感器收集的数据自动执行操作决策。 通常，此类工具与DCIM（数据中心基础架构管理）系统集成在一起，可以预测紧急情况的发生，并优化IT设备，工程基础架构甚至人员的操作。 制造商通常会向数据中心所有者提供云服务，该服务可收集和处理来自许多客户的数据。 这样的系统总结了不同数据中心的操作经验，因此，它们比本地产品工作得更好。
IT基础架构管理
HPE正在推广InfoSight云预测分析服务，以管理基于Nimble Storage和HPE 3PAR StoreServ存储系统，HPE ProLiant DL / ML / BL服务器，HPE Apollo机架系统和HPE Synergy平台构建的IT基础架构。 InfoSight分析设备中安装的传感器的读数，每秒处理超过一百万个事件，并不断进行自我学习。 该服务不仅可以检测故障，而且甚至可以在IT故障发生之前预测IT基础结构可能出现的问题（设备故障，存储容量耗尽，虚拟机性能下降等）。 对于预测分析，VoltDB使用自回归预测模型和概率方法部署在云中。 Tegile Systems混合存储系统也可以使用类似的解决方案：IntelliCare Cloud Analytics云服务监视设备资源的状态，性能和使用。 Dell EMC在其高性能计算解决方案中也使用了人工智能和机器学习技术。 有许多类似的例子，几乎所有领先的计算设备和数据存储系统制造商都在走这条路。
电源和散热
人工智能在数据中心中的另一个应用领域与工程基础架构的管理有关，最重要的是与制冷有关，制冷在对象的总能耗中所占的份额可能超过30％。 谷歌是最早考虑智能制冷的公司之一：2016年，谷歌与DeepMind一起开发了一种人工智能系统，用于监控数据中心的各个组件，从而将空调的能源成本降低了40％。 最初，它仅向员工提供提示，但后来进行了改进，现在可以自行控制机房的冷却。 部署在云中的神经网络处理来自数千个内部和外部传感器的数据：它在考虑服务器负载，温度，街道风速和许多其他参数的基础上做出决策。 云系统提供的说明将发送到数据中心，并在那里再次由本地系统检查其安全性，而员工始终可以关闭自动模式并开始手动控制冷却。 Nlyte Software与IBM Watson团队一起创建了一个解决方案 ，该解决方案收集有关温度和湿度，功耗和IT设备工作负载的数据。 它使您可以优化工程子系统的工作，而无需连接到制造商的云基础架构-如有必要，该解决方案可以直接部署到数据中心。
其他例子
市场上有许多针对数据中心的创新型智能解决方案，并且不断出现新的解决方案。 Wave2Wave创建了一个机器人光纤电缆交换系统，用于在数据中心内部的流量交换节点（Meet Me Room）中自动组织交叉连接。 由ROOT数据中心和LitBit开发的系统使用AI监视备用柴油发电机，Romonet制作了自学软件解决方案以优化基础架构。 Vigilent创建的解决方案使用机器学习来预测故障并优化数据中心的温度条件。 人工智能，机器学习和其他创新技术在过程自动化的数据中心中的引入相对较早，但是今天它已成为行业发展中最有希望的领域之一。 现代数据中心已经变得太大，太复杂，无法手动进行有效管理。