همانطور که شرکت‌ها شروع به سرمایه‌گذاری در هوش مصنوعی و اعمال آن در عملیات تجاری خود می‌کنند، استفاده از هوش مصنوعی در مراکز داده و چرخه عمر داده‌ها نویدبخش بهبود کارایی و کاهش هزینه‌ها است. هوش مصنوعی همچنین می تواند در افزایش امنیت و کمک به مدیریت بهتر داده ها موثر باشد و در نهایت به نفع سازمان ها و مشتریان آنها باشد.
GenAI از زمانی که OpenAI ChatGPT را در اواخر سال 2022 راه اندازی کرد، سر و صدای زیادی ایجاد کرده است. طبق گزارش اخیر BCG، حتی زمانی که این هیاهو شروع به افزایش می کند، در صدر دستور کار C-suite قرار دارد. اکثریت (71٪) از مدیران BCG که مورد بررسی قرار گرفتند گفتند که قصد دارند سرمایه گذاری های فناوری شرکت خود را در سال 2024 افزایش دهند و 85٪ ادعا کردند که هزینه های خود را برای هوش مصنوعی و GenAI افزایش خواهند داد.
از GenAI Hype تا ROI
وقتی صحبت از بازگشت سرمایه (ROI) به میان می آید، گزارش BCG بیان می کند که 54 درصد از رهبران کسب و کار انتظار دارند که هوش مصنوعی در سال 2024 در هزینه ها صرفه جویی کند. جایی که می توان از آن برای بهترین نتایج تجاری استفاده کرد. در مورد عملیات مرکز داده، هوش مصنوعی این پتانسیل را دارد که چرخه عمر داده ها را تغییر دهد و مدیریت عملیات و زیرساخت های مهم مرکز داده را بهبود بخشد.
اثربخشی هوش مصنوعی به کیفیت مجموعه داده بستگی دارد. برای بهینه سازی نتایج هوش مصنوعی، داده های تمیز، جاری و با کیفیت مورد نیاز است. برای انجام این کار، می‌توان از هوش مصنوعی برای طبقه‌بندی و برچسب‌گذاری خودکار داده‌ها بر اساس محتوای آن استفاده کرد، همچنین داده‌های اضافی، منسوخ و پیش پاافتاده (ROT) را که دیگر مورد نیاز نیستند شناسایی کرد، سپس آنها را برای پاک کردن ایمن داده‌ها برنامه‌ریزی کرد. پس از برداشتن این گام‌های اولیه و حیاتی، سازمان‌ها می‌توانند بازده سرمایه‌گذاری خود را در هوش مصنوعی به روش‌های زیر به حداکثر برسانند:
- خودکارسازی چرخه عمر داده ها از بلع و پردازش گرفته تا ذخیره سازی و بایگانی. هوش مصنوعی با شناسایی و حذف داده‌های قدیمی و غیرضروری برای تولید مجموعه‌های داده با کیفیت بالاتر برای ایجاد هوش تجاری بهتر، چرخه عمر داده‌ها را متحول می‌کند. همچنین می تواند کیفیت داده ها را به طرق مختلف افزایش دهد، مانند تصحیح خطاها، ناهماهنگی ها و موارد تکراری. هوش مصنوعی نه تنها برای خودکارسازی چرخه عمر داده‌ها، بلکه برای اطمینان از قابل اعتماد، دقیق و مدیریت داده‌ها با رعایت سیاست‌های حفظ و نگهداری ایده‌آل است.
- تجزیه و تحلیل حجم زیادی از داده ها از نقاط تماس مختلف در مرکز داده برای پیش‌بینی احتمال خرابی تجهیزات قبل از وقوع. هوش مصنوعی برای تشخیص الگوهای داده و ناهنجاری های مربوط به ترافیک شبکه، دما و مصرف انرژی ایده آل است. با رفتن یک قدم جلوتر، هوش مصنوعی نه تنها می‌تواند مشکلات را پیش از وقوع پیش‌بینی کند، بلکه می‌تواند تعمیر و نگهداری را به‌طور خودکار برنامه‌ریزی کند و زمان خرابی را کاهش داده و به حداقل برساند، همه اینها بدون دخالت انسان است.
- نظارت مداوم بر ترافیک شبکه برای شناسایی ناهنجاری های امنیتی و شناسایی تهدیدات احتمالی. این برنامه به عنوان GenAI اهمیت فزاینده ای دارد انتظار می رود به رشد شدید داده ها کمک کند. این گسترش گسترده ردپای تهدید، اپراتورهای مراکز داده را مجبور خواهد کرد تا به اولویت دادن به امنیت برای محافظت از داده های حساس در برابر حملات سایبری و دسترسی غیرمجاز ادامه دهند. الگوریتم‌های هوش مصنوعی ظرفیت یادگیری را دارند، بنابراین می‌توانند قابلیت‌های تشخیص تهدید را بهبود بخشند و اقدامات پیشگیرانه‌ای برای حفاظت از داده‌ها و زیرساخت‌های مرکز داده انجام دهند.
تاثیر هوش مصنوعی بر پایداری مرکز داده
با وجود تمام مزایای هوش مصنوعی، استفاده از هوش مصنوعی در مرکز داده یک جنبه منفی دارد که باید در کوتاه مدت به آن پرداخته شود: مصرف انرژی. مراکز داده در حال حاضر مقدار زیادی انرژی و منابع مصرف می کنند. برای زمینه، مراکز داده گوگل تقریباً پنج میلیارد گالن آب شیرین برای مقاصد خنک کننده مصرف کردند. در حالی که می‌توان مدل‌های یادگیری ماشین را برای نظارت بر تقاضای انرژی آموزش داد، بهینه‌سازی مراکز داده برای کارآمدتر بودن در این فرآیند، بدون شک هوش مصنوعی باعث افزایش مصرف انرژی خواهد شد.
همچنین ارتباط مستقیمی با مقدار داده‌هایی که سازمان‌ها ذخیره می‌کنند – که نیاز به مصرف انرژی بیشتری دارد – و ردپای پایداری آنها وجود دارد. هنگامی که سازمان‌ها درصد زیادی از داده‌های خود را تعیین می‌کنند، که ممکن است بیش از هفت سال قدیمی باشد و/یا دیگر برای اهداف قانونی یا انطباق مورد نیاز نباشد، می‌توان آنها را به عنوان ROT طبقه‌بندی کرد و به طور ایمن پاک‌سازی کرد و برای همیشه آنها را پاک کرد. این منجر به کاهش مصرف انرژی و هزینه های مرتبط با ذخیره سازی داده های غیر ضروری می شود.
آژانس بین‌المللی انرژی پیش‌بینی می‌کند تقاضای جهانی برق از مراکز داده، هوش مصنوعی و ارزهای دیجیتال ممکن است بیشتر از دو برابر طی سه سال آینده با بیش از 6200 مرکز داده در 135 کشور و بیش از 2300 مرکز داده تنها در ایالات متحده، این امر به خوبی برای شبکه انرژی جهانی نیست.
اما خبرهای خوبی در مورد تأثیر هوش مصنوعی بر پایداری وجود دارد: هوش مصنوعی به واحدهای پردازش گرافیکی تخصصی (GPU) برای افزایش قابلیت‌های محاسباتی نیاز دارد. پردازنده‌های گرافیکی به‌خصوص زمانی که در مراکز داده ابری بزرگ استفاده می‌شوند، از نظر انرژی کارآمدتر هستند. پاسخ ممکن است ساخت مراکز داده های فرامقیاس بیشتر باشد که بسیار بزرگتر و کارآمدتر از مراکز داده ابری سنتی هستند. برای زمینه، یک مرکز داده ابری سنتی ممکن است 100000 فوت مربع را اشغال کند، در حالی که یک مرکز ابر مقیاس می تواند 1 یا حتی 2 میلیون فوت مربع باشد.
پتانسیل آینده هوش مصنوعی
همانطور که سازمان ها و اپراتورهای مرکز داده از تحقیق و سرمایه گذاری در هوش مصنوعی به پیاده سازی می روند، پتانسیل تقریبا نامحدود هوش مصنوعی شکل می گیرد. هوش مصنوعی نه تنها این پتانسیل را دارد که کل چرخه عمر داده ها را تغییر دهد، بلکه این قدرت را دارد که مجموعه های داده با کیفیت بالاتر تولید کند تا هوش تجاری بهتر و تمایز رقابتی را افزایش دهد.
راس ارنست مدیر ارشد فناوری Blancco Technologies است. راس در سال 2016 به عنوان معاون اجرایی محصولات و فناوری به بلانکو پیوست. و در سپتامبر 2022 به عنوان مدیر ارشد فناوری منصوب شد. او مسئول تعریف، هدایت و اجرای استراتژی محصول در مجموعه محصولات پاک کردن داده و تشخیص تلفن همراه است. بخش های مهم نقش او شامل ایجاد یک تیم قوی از صاحبان محصول و پرورش فرهنگ محصول سازمانی مبتنی بر آزمایش و یادگیری مداوم است.