پر سر و صداترین واژه های کلیدی در حداقل یک دهه اخیر باید هوش مصنوعی (AI) باشد. هوش مصنوعی که تا حدی با استفاده از موارد دستیابی به موفقیت در متن، هنر و ویدئو ایجاد شده است، از تخیل دور به یک ضرورت کوتاه مدت حرکت کرده است. این بر طرز تفکر مردم در مورد انواع زمینه‌ها تأثیر می‌گذارد و شبکه‌های مرکز داده مطمئناً در امان نیستند. اما احتمالاً هوش مصنوعی در مرکز داده چه معنایی خواهد داشت؟ و مردم چگونه شروع به کار خواهند کرد؟
عملیات به عنوان میدان نبرد
در حالی که این امکان وجود دارد که محققان برخی از رویکردهای الگوریتمی را برای کنترل شبکه باز کنند، به نظر نمی رسد که این مورد استفاده غالب برای هوش مصنوعی در مرکز داده باشد. حقیقت ساده این است که اتصال به مرکز داده تا حد زیادی یک مشکل حل شده است. قابلیت‌های باطنی و بهینه‌سازی‌های خرد ممکن است مزایای ملموسی را نسبت به یک محیط فرامقیاس به همراه داشته باشد، اما برای بازار انبوه، احتمالاً غیرضروری است. اگر انجام این کار حیاتی بود، حرکت به سمت فضای ابری با ظهور راه‌حل‌های شبکه‌سازی اختصاصی محدود می‌شد، اما افسوس که اینطور نیست.
اگر قرار است هوش مصنوعی تأثیر ماندگاری بگذارد، باید در سمت عملیات باشد. تمرین شبکه‌سازی – جریان‌های کاری و فعالیت‌های مورد نیاز برای ایجاد شبکه‌ها – میدان نبرد خواهد بود. در کنار جاه‌طلبی‌های 15 ساله صنعت در مورد اتوماسیون، این در واقع منطقی است. آیا هوش مصنوعی می‌تواند تقویت فنی لازم را فراهم کند تا در نهایت صنعت را از رویاپردازی درباره مزیت عملیاتی به استفاده فعالانه از عملیات‌های خودکار و نیمه خودمختار سوق دهد؟
قطعی یا تصادفی؟
به نظر می رسد ممکن است، اما در پاسخ به این سوال تفاوت های ظریف وجود دارد. در سطح کلان، دو رفتار عملیاتی متفاوت در مرکز داده وجود دارد: رفتارهایی که قطعی هستند و به نتایج شناخته شده منتهی می شوند، و رفتارهایی که تصادفی یا احتمالی هستند.
برای گردش‌های کاری که قطعی هستند، هوش مصنوعی فقط زیاده‌روی نیست. کاملا غیر ضروری است به طور خاص، برای یک معماری شناخته شده، پیکربندی مورد نیاز برای هدایت دستگاه ها نیازی به یک موتور هوش مصنوعی برای پردازش ندارد. این نیاز به ترجمه از طرح اولیه معماری به نحو خاص دستگاه دارد. حتی در پیچیده ترین موارد (معماری های چند فروشنده با نیازهای مقیاس متفاوت)، پیکربندی را می توان کاملاً از پیش تعیین کرد. ممکن است منطق تودرتو برای مدیریت تغییرات در نوع دستگاه یا پیکربندی فروشنده وجود داشته باشد، اما منطق تودرتو به سختی واجد شرایط AI است.
اما حتی فراتر از پیکربندی، بسیاری از وظایف عملیاتی روز دوم نیازی به هوش مصنوعی ندارند. برای مثال، یکی از رایج‌ترین موارد استفاده را که بازاریابان سال‌ها با هوش مصنوعی نام‌گذاری کرده‌اند، در نظر بگیرید: آستانه‌های منابع. منطق این است که هوش مصنوعی می‌تواند تعیین کند که چه زمانی از آستانه‌های کلیدی مانند CPU یا استفاده از حافظه عبور می‌کنند و سپس برخی اقدامات اصلاحی را انجام دهد. آستانه گذاری واقعاً چندان پیچیده نیست. ریاضیدانان و متخصصان هوش مصنوعی ممکن است نظر دهند که رگرسیون خطی واقعاً هوشمند نیست. در عوض، این یک منطق نسبتاً خام مبتنی بر خطوط روند است، و مهمتر از آن، این چیزها از قبل از اینکه هوش مصنوعی یک اصطلاح مد روز باشد، در محیط‌های تولید مختلف وجود داشته است.
بنابراین، آیا این بدان معناست که هیچ نقشی برای هوش مصنوعی وجود ندارد؟ قطعا نه! این بدان معناست که هوش مصنوعی یک الزام یا حتی مناسب برای همه چیز نیست، اما جریان‌های کاری در شبکه وجود دارد که می‌تواند از هوش مصنوعی سود ببرد. آن دسته از گردش های کاری که به جای قطعی احتمالی هستند، بهترین نامزدها خواهند بود.
عیب یابی به عنوان کاندیدای بالقوه
شاید هیچ گزینه ای بهتر از تجزیه و تحلیل علت ریشه ای و عیب یابی برای گردش کار احتمالی وجود نداشته باشد. وقتی مشکلی پیش می‌آید، اپراتورها و مهندسان شبکه مجموعه‌ای از فعالیت‌ها را انجام می‌دهند که برای رد کردن موارد طراحی شده‌اند و امیدواریم علت اصلی را شناسایی کنند. برای مسائل ساده (فکر کنید: مواردی که ممکن است کسی با یک بلیت مشکل سطح 1 حل شود)، احتمالاً گردش کارها دارای اسکریپت هستند (“آیا سعی کرده اید دستگاه را راه اندازی مجدد کنید؟”). اما برای هر چیزی فراتر از اساسی ترین مشکلات، اپراتور منطقی را اعمال می کند و محتمل ترین اما از پیش تعیین نشده مسیر را انتخاب می کند. بر اساس آنچه که فرد می داند یا آموخته است، اصلاحاتی وجود دارد و یا اطلاعات بیشتری جستجو می شود یا حدس می زند.
هوش مصنوعی در اینجا نقشی دارد. و ما این را به طور ضمنی می دانیم زیرا ارزش تجربه در فرآیند عیب یابی را درک می کنیم. یک کارمند جدید، هر چقدر هم که ماهر باشد، معمولاً از کسی که مدت زمان تصدی طولانی مدتی دارد که می داند همه اجساد ضرب المثل در کجا دفن شده اند، عملکرد ضعیفی دارد. هوش مصنوعی می تواند به عنوان جایگزین یا مکمل تمام آن تجربه ریشه دار عمل کند و پیشرفت های اخیر در پردازش زبان طبیعی (NLP) به هموارسازی رابط انسان و ماشین کمک می کند.
هوش مصنوعی با داده شروع می شود
بهترین شراب با بهترین انگور شروع می شود. به طور مشابه، بهترین هوش مصنوعی با بهترین داده ها آغاز می شود. این بدان معناست که محیط‌های مجهز به ابزار مناسب برای عملیات‌های مبتنی بر هوش مصنوعی مناسب‌ترین هستند. هایپراسکیلرها مطمئناً بیشتر از سایرین در مسیر هوش مصنوعی قرار دارند، که تا حد زیادی به دلیل تخصص نرم افزاری آنها است. اما نباید نادیده گرفت که آنها مراکز داده خود را با تاکید زیادی بر جمع آوری اطلاعات در زمان واقعی از طریق جریان تله متری و چارچوب های جمع آوری در مقیاس بزرگ می سازند.
شرکت‌هایی که می‌خواهند در برخی مواقع از هوش مصنوعی استفاده کنند، باید قابلیت‌های فعلی تله‌متری خود را بررسی کنند. اساساً آیا معماری موجود به هر گونه پیگیری جدی کمک می کند یا مانع؟ و سپس معماران باید این الزامات عملیاتی را در فرآیند ارزیابی معماری اساسی بسازند. اغلب در شرکت‌ها، عملیات یک فکر بعدی است – برخی از افزودنی‌ها که پس از عبور تجهیزات از بخش خرید اتفاق می‌افتد. این نمی‌تواند برای هر مرکز داده‌ای که می‌خواهد روزی چیزی فراتر از عملیات‌های دارای اسکریپت سبک استفاده کند، معمول باشد.
با بازگشت به مسئله قطعی یا تصادفی، این سؤال واقعاً نباید به عنوان یک گزاره یا یا گزاره باشد. برای هر دو نقشی وجود دارد. هر مرکز داده مجموعه‌ای از جریان‌های کاری قطعی را نشان می‌دهد، و فرصتی برای انجام برخی کارهای پیشرفت در دنیای احتمالی وجود دارد. هر دوی اینها از داده ها سود خواهند برد. بنابراین، صرف نظر از جاه طلبی ها و نقطه شروع، همه باید روی داده ها متمرکز شوند.
تعدیل انتظارات
کلید موفقیت برای اکثر شرکت ها تعدیل انتظارات خواهد بود. آینده گاهی با اعلامیه های بزرگ تعریف می شود، اما اغلب، هر چه چشم انداز بزرگتر باشد، دست نیافتنی تر به نظر می رسد. و زمانی که دولت آینده از حالت فعلی خیلی دور باشد، شرکت ها و مردم تعطیل می شوند زیرا شکافی است که برای پل زدن بسیار گسترده است.
اگر موج بعدی پیشرفت بیشتر با نوآوری خسته کننده باشد تا وعده های بیش از حد، چه؟ چه می‌شد اگر کاهش خطاها و خطاهای انسانی برای شروع کار مردم به اندازه کافی قانع کننده بود؟ هدف قرار دادن اهداف مناسب رشد را برای افراد بسیار آسان تر می کند. این امر به ویژه در محیطی صادق است که احساس می‌شود به اندازه کافی افراد بااستعداد برای کارکنان برنامه‌های جاه‌طلبانه همه گرسنه هستند. بنابراین حتی زمانی که هوش مصنوعی طی چند سال آینده به سمت ناامیدی پیش می رود، فرصت برای اپراتورهای مراکز داده برای ایجاد تفاوت معنادار برای تجارت خود همچنان وجود خواهد داشت.