


Fünf Wege, wie künstliche Intelligenz das Rechenzentrum neu gestaltet
Wir schauen uns an, wie sich KI auf die Rechenzentrumsbranche auswirkt und mit welchen Veränderungen wir in den kommenden Jahren vernünftigerweise rechnen können.
Künstliche Intelligenz hat in letzter Zeit viele Schlagzeilen gemacht, insbesondere weil Tools wie ChatGPT oder GitHub Copilot in der Lage sind, alles vom Code bis zur Poesie zu generieren.
Aber was kann künstliche Intelligenz für Rechenzentren leisten? Dieser Frage wurde weniger Aufmerksamkeit geschenkt, insbesondere außerhalb der Diskussionen über KI-gesteuerte Lösungen zur Überwachung von Rechenzentren – Lösungen, die zwar wichtig sind, aber nicht gerade den neuesten Stand der KI-Technologie darstellen.
Werfen wir also einen Blick auf andere Möglichkeiten, wie sich künstliche Intelligenz auf die Rechenzentrumsbranche auswirken kann, und welche Veränderungen wir in den kommenden Jahren vernünftigerweise erwarten können.
Verbesserung der physischen Sicherheit von Rechenzentren
Physische Sicherheit ist für Rechenzentren von entscheidender Bedeutung, da sie in der Lage sein müssen, Vermögenswerte vor unbefugtem physischem Zugriff durch Eindringlinge zu schützen. Leider war die Bereitstellung physischer Sicherheit traditionell kostspielig, da sie in hohem Maße davon abhängt, dass Sicherheitspersonal vor Ort ist, um Verstöße gegen den physischen Perimeter zu erkennen und darauf zu reagieren.
Künstliche Intelligenz kann in dieser Hinsicht helfen, indem sie Daten analysiert, die dabei helfen, physische Einbrüche zu erkennen. Durch die Analyse von Videostreams in Echtzeit hat KI beispielsweise das Potenzial, Personen zu identifizieren, die ein Risiko darstellen. Es würde auch die Notwendigkeit beseitigen, ständig Videos anzusehen, um Risiken zu erkennen.
Erwarten Sie nicht, dass das Sicherheitspersonal vor Ort in Rechenzentren verschwindet, sondern erwarten Sie, dass KI ihnen hilft, ihre Arbeit effizienter zu erledigen.
Energiemanagement für Rechenzentren
Die Entscheidung, wann ein Rechenzentrum von einer Energiequelle (z. B. Solar) auf eine andere umgestellt werden soll oder wie man im Voraus auf erwartete Energieherausforderungen (wie Hitzewellen, die Kühlsysteme an den Rand bringen) plant, ist oft vorsichtig Eine Analyse durch den Menschen ist erforderlich. Angesichts der vielen beteiligten Variablen gibt es keine einfache Formel oder Vorgehensweise für die Verwaltung der Energiequellen und Herausforderungen von Rechenzentren.
Angesichts der Komplexität moderner KI ist es jedoch durchaus möglich, dass KI einen Teil der Entscheidungsfindung übernimmt. Betreiber von Rechenzentren möchten vielleicht immer noch, dass Menschen auf dem Laufenden bleiben, um die Empfehlungen von KI-Tools noch einmal zu überprüfen, aber es ist sinnvoll, dass KI die Führung beim Energiemanagement übernimmt, anstatt von Menschen zu erwarten, dass sie den Energieverbrauch verfolgen und Herausforderungen manuell angehen.
Kapazitätsmanagement
Ähnlich war die Verwaltung der Rechenzentrumskapazität – einschließlich Aufgaben wie der Vergrößerung oder Verkleinerung der Infrastruktur zur Deckung der Nachfrage und der Sicherstellung, dass der physische Raum in einem Tempo wächst, das mit dem Markt Schritt hält – traditionell eine manuelle Aufgabe. Aber KI kann bei der Automatisierung helfen. KI kann Betreibern helfen, fundiertere Entscheidungen zum Kapazitätsmanagement zu treffen, indem sie die vielen Faktoren analysiert, die bestimmen, wie viel Kapazität ein Rechenzentrum zu unterschiedlichen Zeiten und unter verschiedenen Aspekten benötigt.
Reaktion auf Vorfälle
Wenn im Rechenzentrum etwas schief geht – ein Stromausfall, jemand hat versehentlich einen Schalter umgelegt, ein Cyberangriff hat kritische Geräte zerstört usw. – ermitteln Sie so schnell wie möglich, was passiert ist, was betroffen war und wie Sie das Problem beheben können Es ist lebenswichtig.
In der Vergangenheit haben die Verwaltungsteams von Rechenzentren auf diese Herausforderungen reagiert, indem sie „Playbooks“ zur Reaktion auf Vorfälle erstellt haben, in denen Möglichkeiten zur Bewältigung verschiedener Arten von Herausforderungen detailliert beschrieben werden.
Playbooks sind immer noch nützlich, aber moderne künstliche Intelligenz bietet ein weiteres Werkzeug, das Betreiber nutzen können, um die Reaktion auf Vorfälle zu verwalten. KI kann Situationen schneller einschätzen und dabei helfen, Reaktionen zu planen als Menschen. Diese Leistung könnte sich besonders in Situationen als wertvoll erweisen, in denen es kein Handlungsleitfaden gibt und niemand eine bestimmte Art von Krise im Voraus vorhersagen kann.
Wachsende Nachfrage nach KI-freundlicher Rechenzentrumshardware
Das steigende Interesse an modernen KI-Technologien führt auch zu einem Anstieg der Nachfrage nach Rechenzentrumsinfrastruktur, die für die Ausführung von KI-Workloads optimiert ist, beispielsweise die Fähigkeit, einen GPU-Beschleunigungsserver auszuführen. In Zukunft könnten Rechenzentrumsbetreiber davon profitieren, diese Nische zu bedienen, insbesondere angesichts der Tatsache, dass KI-optimierte Hardware im Gegensatz zu Standardservern schwieriger aus der öffentlichen Cloud zu beziehen ist.
Die Nachfrage nach KI-freundlichen Rechenzentren stellt keine neue Möglichkeit dar, KI für den Betrieb von Rechenzentren zu nutzen, aber sie schafft eine Marktchance für Rechenzentrumsbetreiber.
Fazit: Künstliche Intelligenz und die Zukunft von Rechenzentren
Der Einsatz moderner künstlicher Intelligenztechnologie in Rechenzentren steckt noch in den Kinderschuhen, aber das Potenzial ist riesig. Erwarten Sie, dass KI in den kommenden Jahren mehr leisten wird, als nur Rechenzentrumsteams bei der Überwachung von Vermögenswerten zu unterstützen. KI spielt auch eine Rolle bei der physischen Sicherheit, dem Kapazitätsmanagement, der Reaktion auf Vorfälle und mehr.
Das obige ist der detaillierte Inhalt vonFünf Wege, wie künstliche Intelligenz das Rechenzentrum neu gestaltet. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Laut Nachrichten dieser Website vom 18. Juni stellte Samsung Semiconductor kürzlich in seinem Technologieblog sein Solid-State-Laufwerk BM1743 der nächsten Generation für Rechenzentren vor, das mit dem neuesten QLC-Flash-Speicher (v7) ausgestattet ist. ▲Samsung QLC Solid-State-Laufwerk für Rechenzentren BM1743 Laut TrendForce im April hatten im Bereich der QLC-Solid-State-Laufwerke für Rechenzentren nur Samsung und Solidigm, eine Tochtergesellschaft von SK Hynix, die Unternehmenskundenüberprüfung bestanden diese Zeit. Im Vergleich zum v5QLCV-NAND der vorherigen Generation (Hinweis auf dieser Website: Samsung v6V-NAND verfügt nicht über QLC-Produkte) hat der Samsung v7QLCV-NAND-Flash-Speicher die Anzahl der Stapelschichten fast verdoppelt und auch die Speicherdichte wurde erheblich verbessert. Gleichzeitig ist die Glätte von v7QLCV-NAND gewährleistet

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
