AI と ML: データセンターにおけるイノベーションと最適化の新たなフロンティア
データセンター インフラストラクチャは、現在および予測される IT 負荷を重要なインフラストラクチャと調整するのに苦労することが多く、その結果不一致が生じ、エスカレートする要求に対応する能力が脅かされます。このような背景から、従来のデータセンターのアプローチを変更する必要があります。
データセンターは現在、競争力を維持するために人工知能 (AI) および機械学習 (ML) テクノロジーをインフラストラクチャに統合しています。従来のデータセンター アーキテクチャ内に AI 主導のレイヤーを実装することで、企業は人間の介入なしに一般的なデータ エンジニアリング タスクを最適化して実行できる自律型データセンターを構築できます。
AI を使用して従来のアーキテクチャを強化する
近年、データセンターにおける AI および ML テクノロジーの普及は劇的です。人工知能は、さまざまなユースケースにわたって効率とパフォーマンスを向上させています。
Nisum エグゼクティブバイスプレジデントのサジッド・モハメディ氏は、AI 主導のデータセンターは、アプリケーションのパフォーマンスと可用性を最適化することで組織が競争上の優位性を獲得するのに役立ち、ひいては顧客満足度やロイヤルティの向上に役立つと述べました。そこに AI を追加すると、リソース割り当てが最適化され、データセンターの効率が向上し、コストが削減されます。
#迅速な障害検出と予測、根本原因分析、電力使用量の最適化、リソース容量割り当ての最適化は、データとアルゴリズム主導のテクノロジーを導入してデータセンターの効率を最大化する例のほんの一例です。停止がより頻繁になり、費用がかかるようになるにつれて、あらゆるデータ駆動型ビジネスにおいて、データセンターへの人工知能の統合の必要性がますます高まっています。AI 駆動型のデータセンターにはさまざまなメリットがあり、その主な利点は、ダウンタイムの削減と改善の可能性です。システム全体の信頼性が向上し、最終的には組織の大幅なコスト削減につながります。障害検出および予測機能の向上KPMG US 人工知能責任者、エレン・カンパナ氏 人工知能は歴史的に、システムの機能を強化するために使用されてきました。データ ストレージの最適化、エネルギー利用、アクセシビリティなどが挙げられますが、近年、AI の有用性を障害の検出と予測に拡張する明らかな傾向があり、これにより自己修復メカニズムがトリガーされる可能性があります。自動検出を簡素化するには、ネットワーク トラフィックを含むハードウェアとソフトウェアの動作の詳細を AI に提供する必要があります。ノード内のトラフィックが遅くなると、AI がパターンを検出し、プロセスまたはノード全体の再起動をトリガーできます。 「 IBM オートメーションの最高技術責任者である Pratik Gupta 氏は、AI にはデータセンターとハイブリッド クラウド環境全体に変革をもたらす可能性があると信じています。アプリケーションのユーザー エクスペリエンスを強化し、運用を簡素化し、CIO とビジネス上の意思決定を可能にすることで、 アプリケーション リソース レベルの明確な理解Gupta 氏は、IBM は、データセンターのエネルギー消費が 2020 年までに増加すると予想していると述べました。ムーアの法則の失効と、データ量、速度、エネルギー集約型のワークロードの爆発的な増加により、2030 年までに 12% (またはそれ以上) になる。「簡単に言えば、AI は購入と保守の必要性を減らすことができます。 、管理、および監視するハードウェアの量。 "Gupta 氏は、データセンター管理者は、リアルタイムの需要に合わせて柔軟に拡張するには、組織のアプリケーション リソース レベルを明確に理解する必要があると述べました。AI 主導の自動化は、このプロセスで重要な役割を果たし、リソースを削減できます。輻輳や遅延のリスクを軽減しながら、ハードウェアのワークロードを安全に保ち、パフォーマンス標準を維持します。たとえば、IBM の Turbonomic は、ビジネス ニーズに基づいてアプリケーションのリソース レベルとスケールを自動的に最適化できます。Gupta 氏は次のように述べています。 : 「これにより、IT 管理者は単一のダッシュボードでリソース レベルを監視し、リアルタイムで意思決定を行うことができ、アプリケーションが過剰にプロビジョニングされないようにすることで効率が向上します。 ”AI を活用したデータセンターの利点の最大化 データセンターにおける AI と ML のユースケースは増加し続けていますが、組織は実装前にいくつかの重要な要素を考慮する必要があります。AI と ML は事前にパッケージ化されていますが、ソリューションの利用可能性はますます高まっていますが、単一ポイント ソリューションを超えた統合が依然として必要です。DIY AI 導入は可能ですが、データを収集するためのセンサーと、データを使用可能な洞察に変えるための専門知識への投資が必要です。Campana 氏は次のように述べています。「多くの組織が独自のデータセンターの導入を選択するのは、データが他の人のデータとプールされたり、制御できない方法で使用されたりしないことを保証できるからです。これは事実ですが、組織はセキュリティとプライバシーを維持する責任を受け入れる必要があります。 ''適切なリソースがあれば、データセンターはよりスマートで効率的になりますが、この目標を達成するには最適な計画が必要です。Gupta 氏は次のように述べています:「計画は、AI 主導のデータセンターの導入における重要な柱であるべきです。導入の成功は一夜にして実現するものではなく、導入前に多くの反復と検討が必要です。IT リーダーが考慮する必要がある要素があります。どのハードウェアを保持できるか、どのハードウェアを保持すべきか、どのワークロードをクラウドに移動する必要があるかを理解することです。」これは、AI と ML の適切なユースケースを特定し、必要なインフラストラクチャとツールに投資し、システムを効果的に管理および維持するための熟練した従業員のチームを育成することを意味します。
Gupta 氏は、企業は分散したデータセンターの場所からさまざまなクラウド展開に至るまで、巨大なインフラストラクチャを維持することが多いと述べました。 IT リーダーは、すべてのデータ ソースの集約レイクを構築する必要があるかどうかを検討する必要があります。それとも、データ準備、ML、AI ツールを各拠点に導入する必要があるかどうかを検討する必要があります。企業が IT インフラストラクチャを変革する際には、提供される価値だけでなく、生み出される脆弱性についても考慮する必要があります。
彼は次のように付け加えました。「最善の計画は失敗する可能性があります。同じことがテクノロジーの展開にも当てはまり、迅速に軌道修正できる機敏な組織がより成功するでしょう。 "
IT とデータセンターのパフォーマンスを向上させる 4 つの新たな戦略
AIOps、MLOps、DevOps、SecOps にはそれぞれ独自の利点があります。これらを組み合わせることで、データセンターの運用と広範な IT パフォーマンスを最適化できます。
AIOps は企業全体のデータセンターと IT ワークフローを自動化および拡張します
AIOps は企業の持続可能性の鍵となりつつあり、データセンターの二酸化炭素排出量はこのテクノロジーの中心となるのは、リアルタイムのパフォーマンス データ (原因分析) に基づいてアクションを解釈し、推奨する機能です。たとえば、ウォルマートは、AIOps を使用して電子商取引業務を合理化しています。AIOps は、ML モデルと自然言語処理 (NLP) の組み合わせに依存して、データセンター運営の精度、費用対効果、効率を向上させる新しいプロセス ワークフローを発見します。小売業者はまた、AIOps を使用して、非効率性や切断されたプロセスを検出して対処すると同時に、テクノロジー スタックの自動化と広範なインフラストラクチャ管理を可能にします。
AIOps により、e コマース プラットフォーム内でより正確なリアルタイムの異常検出が可能になります。このテクノロジーは、次のようなことも得意としています。利用可能なすべてのソースからのセンター データのデータを関連付けることで、業務の 360 度のビューを提供し、可用性、コスト管理、パフォーマンスを改善できる箇所を特定します。
小売業者はアプリケーション開発を加速するために DevOps を活用しています
# #小売業者は、競争力を維持し、新しいアプリケーションや機能の市場投入までの時間を短縮するために DevOps を利用しています。DevOps は、ソフトウェア開発者と IT 運用チーム間のコラボレーションとコミュニケーションを重視するソフトウェア開発方法論に基づいています。新しいモバイル アプリや Web サイトの合理化に役立ちます。 Amazon、Target、Nordstrom、Walmart およびその他の大手小売業者は、主要なソフトウェア開発プロセスとして DevOps を採用しています。 DevOps コード ベースの品質が高ければ高いほど、データ センターはより効率的に運用され、最新のアプリケーション バージョンを世界中の顧客に提供します。MLOps はライフサイクル ベースのアプローチを提供します小売業者としてデータ サイエンティストにとって、モデルを最新かつ使用可能な状態に保つために、MLOps は DevOps と同じくらい重要になります。MLOps は、DevOps の原則を ML モデルとアルゴリズムに適用します。大手小売業者は、MLOps を使用して新しいモデルを設計、テスト、リリースし、顧客のセグメンテーション、需要予測、 在庫管理と最適化から始まり、MLOps は小売業界で最もコストがかかり困難な問題を効果的に解決できることが証明されています。サプライ チェーンの不確実性、長期的な労働力不足、インフレコストの上昇により、在庫管理が小売業界にとって重要になっています。 メイシーやウォルマートなどは、MLOps を使用して価格設定と在庫管理を最適化し、小売業者がコスト削減の意思決定を行い、過剰な在庫を抱えることによる下振れリスクから身を守るのに役立ちます。 SecOps は AI と ML を利用してあらゆるアイデンティティと脅威の表面を保護します SecOps は、データ センターと広範な IT インフラストラクチャの安全性と苦情のない状態を確保します。ゼロ トラスト セキュリティでは、ユーザーやデバイスは信頼できず、すべての ID が検証される必要があることを前提としています。これが、SecOps の実装を成功させるための基盤です。目標は、ますます巧妙化するサイバー攻撃の攻撃対象領域とリスクを軽減することです。 SecOps は、最も実績のあるテクノロジーを組み合わせて侵入と侵害を軽減することで、データセンターのセキュリティを最適化します。ゼロトラスト セキュリティの導入は、小売業者が顧客、従業員、サプライヤーのアイデンティティを保護するのに役立ちますが、マイクロセグメンテーションによりあらゆる攻撃の爆発範囲を制限できます。 人工知能とデータセンター テクノロジーの未来エッジ コンピューティングは、人工知能主導のデータセンターを開発するための最も有望なテクノロジーの 1 つになりつつあります。エッジ コンピューティングは、データをソースに近いところで処理することにより、待ち時間を短縮し、全体的なパフォーマンスを向上させます。このテクノロジーを人工知能と組み合わせると、リアルタイム分析と意思決定機能が可能になり、データセンターが将来のミッションクリティカルなプロセスを処理できるようになります。Campana 氏は次のように述べています:「5G への移行はこの変革における重要なステップであり、人工知能ベースのソフトウェア インフラストラクチャにおける革新の波を推進しています。新しいデータセンターを開始する企業にとっては、5G の導入とその導入を検討する価値があります。」エンドユーザー ハードウェアへの追加アップデートのための Timetable のサポート。」
そしてグプタ氏は、人工知能とデータセンター ツールが自動的に設計されるようになるため、データ インテリジェンスの自動化は厳しく規制された業界に参入し続ける方法であると信じています。コンプライアンス要件を満たす。
「人工知能と自動化がデータセンターにさらに組み込まれると、最も厳格なコンプライアンスプロトコルを満たすことができるようになります。」
以上がAI と ML: データセンターにおけるイノベーションと最適化の新たなフロンティアの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック











このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

6 月 18 日のこのサイトのニュースによると、サムスン セミコンダクターは最近、最新の QLC フラッシュ メモリ (v7) を搭載した次世代データセンター グレードのソリッド ステート ドライブ BM1743 をテクノロジー ブログで紹介しました。 ▲Samsung QLCデータセンターグレードのソリッドステートドライブBM1743 4月のTrendForceによると、QLCデータセンターグレードのソリッドステートドライブの分野で、SamsungとSK Hynixの子会社であるSolidigmだけが企業向け顧客検証に合格したという。その時。前世代の v5QLCV-NAND (このサイトの注: Samsung v6V-NAND には QLC 製品がありません) と比較して、Samsung v7QLCV-NAND フラッシュ メモリは積層数がほぼ 2 倍になり、記憶密度も大幅に向上しました。同時に、v7QLCV-NAND の滑らかさ

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。
