인공 지능이 데이터 센터 팀에 새로운 일상 업무를 가져오는 방법

초규모 환경에서는 비밀 기능과 미세한 최적화가 실질적인 이점을 가져올 수 있지만 대중 시장에서는 필요하지 않을 수도 있습니다. 그렇게 하는 것이 중요하다면 맞춤형 네트워크 솔루션의 등장으로 인해 클라우드로의 전환이 제한될 것이지만 안타깝게도 그렇지 않습니다.

텍스트, 예술, 비디오를 생성하는 획기적인 사용 사례를 통해 인공 지능은 먼 상상에서 단기적인 필수 사항으로 발전했습니다. 이는 사람들이 모든 분야에 대해 생각하는 방식에 영향을 미치고 있으며 데이터 센터 네트워킹도 확실히 면역되지는 않습니다. 하지만 데이터센터에서 인공지능은 무엇을 의미할까요? 사람들은 어떻게 시작할까요?

연구원들이 네트워크 제어에 대한 일부 알고리즘 접근 방식을 잠금 해제할 수 있지만 이는 데이터 센터에서 AI의 주요 사용 사례로 보이지 않습니다. 단순한 사실은 데이터 센터 연결이 대부분 해결된 문제라는 것입니다.

초규모 환경에서는 비밀 기능과 미세한 최적화가 실질적인 이점을 가져올 수 있지만 대중 시장에서는 필요하지 않을 수도 있습니다. 그렇게 하는 것이 중요하다면 맞춤형 네트워크 솔루션의 등장으로 인해 클라우드로의 전환이 제한될 것이지만 안타깝게도 그렇지 않습니다.

AI가 지속적인 인상을 남기려면 작동이 가능해야 합니다. 네트워킹 관행은 네트워크에 필요한 워크플로우와 활동의 전쟁터가 될 것입니다. 자동화에 대한 업계의 15년 야망과 결합하면 이는 실제로 많은 의미가 있습니다. AI는 업계가 운영상의 이점을 꿈꾸는 것에서 자동화된 반자율 운영을 적극적으로 활용하는 데 마침내 필요한 기술을 제공할 수 있습니까?

결정적인가요 아니면 무작위인가요?

가능해 보이지만 이 질문에 대한 답변에는 미묘한 차이가 있습니다. 거시적 수준에서 데이터 센터에는 두 가지 다른 운영 동작이 있습니다. 하나는 결정론적이며 알려진 결과를 가져오는 동작이고, 다른 하나는 무작위 또는 확률적 동작입니다.

결정론적 워크플로의 경우 AI는 단순한 과잉이 아니라 완전히 불필요합니다. 보다 구체적으로, 알려진 아키텍처를 사용하면 장치를 구동하는 데 필요한 구성을 처리하기 위해 AI 엔진이 필요하지 않습니다. 아키텍처 청사진을 장치별 구문으로 변환해야 합니다.

가장 복잡한 경우(크기 요구 사항이 서로 다른 다중 공급업체 아키텍처)에서도 구성을 완전히 미리 결정할 수 있습니다. 장치 유형이나 공급업체 구성의 변경 사항을 처리하기 위한 중첩된 논리가 있을 수 있지만 중첩된 논리는 인공 지능으로 간주되기 어렵습니다.

그러나 구성 외부에서도 2일차 운영 작업에는 AI가 필요하지 않습니다. 예를 들어 마케팅 담당자가 수년 동안 AI를 사용해 온 보다 일반적인 사용 사례 중 하나인 리소스 임계값을 살펴보겠습니다. AI는 CPU나 메모리 사용량과 같은 중요한 임계값이 초과되는 시기를 판단한 다음 일부 수정 조치를 취할 수 있다는 논리입니다.

임계값은 그다지 복잡하지 않습니다. 수학자 및 AI 순수주의자는 선형 회귀가 실제로 지능이 아니라고 논평할 수 있습니다. 오히려 이것은 추세선을 기반으로 한 다소 거친 논리이며, 중요한 것은 인공지능이 유행하는 용어가 되기 전에 이러한 것들이 다양한 생산 환경에서 나타나고 있다는 것입니다.

그럼 AI가 할 수 있는 역할이 없다는 뜻인가요? 절대 그렇지 않습니다! 이는 AI가 요구 사항이 아니거나 모든 것에 적용 가능한 것은 아니지만 네트워크에는 AI의 이점을 누릴 수 있고 그렇게 될 일부 워크플로가 있음을 의미합니다. 결정론적보다는 확률론적 워크플로가 가장 적합합니다.

잠재적 후보자로서 문제 해결

근본 원인 분석 및 문제 해결보다 확률론적 워크플로에 더 좋은 후보자는 없을 것입니다. 문제가 발생하면 네트워크 운영자와 엔지니어는 문제를 해결하고 근본 원인을 식별하기 위해 설계된 일련의 활동에 참여합니다.

간단한 질문의 경우 워크플로가 스크립트로 작성될 수 있습니다. 그러나 가장 기본적인 문제가 아닌 경우 운영자는 몇 가지 논리를 적용하고 가장 가능성이 높지만 미리 결정되지 않은 경로를 선택합니다. 알고 있거나 배운 내용을 바탕으로 개선하고, 더 많은 정보를 찾거나 추측해 보세요.

인공지능이 여기에 중요한 역할을 할 수 있습니다. 우리는 문제 해결 중 경험의 가치를 이해하고 있기 때문에 이를 알고 있습니다. 신입 사원은 아무리 기술이 뛰어나더라도 오랫동안 근무한 사람보다 성과가 떨어지는 경우가 많습니다. 인공 지능은 모든 뿌리 깊은 경험을 대체하거나 보완할 수 있으며, 최근 자연어 처리(NLP)의 발전은 인간-기계 인터페이스를 원활하게 만드는 데 도움이 됩니다.

인공지능은 데이터에서 시작됩니다

최고의 와인은 최고의 포도에서 시작됩니다. 마찬가지로 최고의 AI는 최고의 데이터에서 시작됩니다. 이는 잘 갖춰진 환경이 AI 기반 운영에 가장 적합한 환경임이 입증될 것임을 의미합니다. 하이퍼스케일러는 소프트웨어 전문성 덕분에 확실히 다른 업체보다 AI 경로를 더 따라가고 있습니다. 하지만 데이터센터 구축 시 스트리밍 텔레메트리와 대규모 수집 프레임워크를 통한 실시간 정보 수집을 매우 중요하게 여긴다는 점은 무시할 수 없습니다.

AI를 어느 정도 활용하려는 기업은 현재 원격 측정 기능을 조사해야 합니다. 기본적으로 기존 아키텍처가 진지한 추구를 돕거나 방해합니까? 그런 다음 설계자는 이러한 운영 요구 사항을 기본 아키텍처 평가 프로세스에 구축해야 합니다. 기업에서 운영은 장비가 구매 부서를 통과한 후에 수행되는 추가 작업인 경우가 많습니다. 이는 언젠가 단순한 스크립팅 작업 이상의 기능을 활용하기를 희망하는 모든 데이터 센터의 표준이 아닙니다.

결정론 또는 무작위성의 질문으로 돌아가서, 이 질문은 실제로 둘 중 하나의 명제로 구성되어서는 안 됩니다. 양쪽 모두 각자의 역할이 있습니다. 둘 다 역할을 해야 합니다. 각 데이터 센터에는 결정론적인 워크플로우 세트와 확률론적인 세계에서 획기적인 작업을 수행할 수 있는 기회가 있습니다. 둘 다 데이터의 이점을 누릴 것입니다. 그러므로 목표와 출발점에 관계없이 모두가 데이터에 집중해야 합니다.

낮은 기대치

대부분의 비즈니스에서 성공의 열쇠는 기대치를 낮추는 것입니다. 미래는 때때로 거창한 선언으로 정의되지만, 비전이 더 웅대할수록 도달하기 어려운 것처럼 보이는 경우가 많습니다.

과장된 약속보다는 지루한 혁신이 차세대 발전의 물결을 주도한다면 어떨까요? 번거로운 티켓과 인적 오류를 줄이는 것만으로도 사람들이 조치를 취할 수 있다면 어떨까요? 올바른 목표를 목표로 삼는 것은 사람들의 성장을 더 쉽게 만듭니다. 모든 사람의 야심 찬 목표를 충족할 만큼 인재가 부족한 환경에서는 특히 그렇습니다. 따라서 AI 추세가 향후 몇 년간 환멸의 저점에 도달하더라도 데이터 센터 운영자에게는 여전히 비즈니스에 의미 있는 변화를 가져올 수 있는 기회가 있습니다.

위 내용은 인공 지능이 데이터 센터 팀에 새로운 일상 업무를 가져오는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!