AI 및 ML: 데이터 센터 혁신과 최적화의 새로운 개척지

데이터 처리 및 저장에 대한 수요가 계속해서 급증함에 따라 데이터 센터는 끊임없이 발전하고 확장하는 과제에 맞서고 있습니다. 플랫폼, 장치 설계, 토폴로지, 전력 밀도 요구 사항 및 냉각 요구 사항의 지속적인 변화로 인해 새로운 구조 설계의 긴급한 필요성이 강조되었습니다.

데이터 센터 인프라는 현재 및 예상 IT 부하를 중요 인프라에 맞추는 데 어려움을 겪는 경우가 많으며, 이로 인해 증가하는 수요를 충족하는 능력을 위협하는 불일치가 발생합니다. 이러한 배경에서 전통적인 데이터 센터 접근 방식을 수정해야 합니다.

데이터 센터는 이제 경쟁력을 유지하기 위해 인공 지능(AI) 및 기계 학습(ML) 기술을 인프라에 통합하고 있습니다. 기존 데이터 센터 아키텍처 내에 AI 기반 계층을 구현함으로써 기업은 사람의 개입 없이 일반적인 데이터 엔지니어링 작업을 최적화하고 수행할 수 있는 자율 데이터 센터를 만들 수 있습니다.

AI를 사용하여 기존 아키텍처 강화

최근 몇 년 동안 데이터 센터 내에서 AI 및 ML 기술이 급격히 확산되었습니다. 인공 지능은 다양한 사용 사례에서 효율성과 성능을 향상하고 있습니다.

Nisum의 수석 부사장인 Sajid Mohamedy는 AI 기반 데이터 센터가 애플리케이션 성능과 가용성을 최적화하여 조직이 경쟁 우위를 확보하고 결과적으로 고객 만족도와 충성도를 높이는 데 도움이 될 수 있다고 말했습니다. 여기에 AI를 추가하면 리소스 할당을 최적화하여 데이터 센터 효율성을 높이고 비용을 절감할 수 있습니다. ”

신속한 오류 감지 및 예측, 근본 원인 분석, 전력 사용량 최적화 및 리소스 용량 할당 최적화는 데이터 센터 효율성을 극대화하기 위한 데이터 및 알고리즘 기반 기술 배포의 몇 가지 예에 불과합니다.

중단이 점점 더 빈번해지고 비용이 많이 들기 때문에 모든 데이터 중심 비즈니스에서 AI를 데이터 센터에 통합하는 것이 점점 더 필요해지고 있습니다. AI 기반 데이터 센터는 다양한 이점을 제공하며, 그 중 가장 중요한 것은 가동 중지 시간을 줄이고 전반적인 시스템 안정성을 향상시켜 궁극적으로 조직을 절약할 수 있다는 것입니다. 상당한 비용

결함 감지 및 예측 기능 향상

KPMG US의 인공 지능 책임자인 Ellen Campana는 인공 지능이 역사적으로 데이터 저장 최적화, 에너지 활용 및 접근성을 향상시키는 데 사용되었다고 말했습니다. AI의 유용성을 결함 감지 및 예측으로 확장하여 자가 치유 메커니즘을 촉발할 수 있는 분명한 추세

“자동 감지를 단순화하는 핵심은 AI에게 하드웨어와 소프트웨어의 세부 사항을 볼 수 있는 창을 제공하는 것입니다. 네트워크 트래픽을 포함한 작업. 노드 내의 트래픽이 느려지면 AI는 패턴을 감지하고 프로세스 또는 전체 노드의 재시작을 트리거할 수 있습니다. ”

IBM Automation의 CTO인 Pratik Gupta는 AI가 애플리케이션의 사용자 경험을 향상하고 운영을 간소화하며 CIO와 비즈니스 의사 결정자가 다양한 데이터에서 통찰력을 얻을 수 있도록 함으로써 데이터 센터와 하이브리드 클라우드 환경 전반에 걸쳐 혁신적인 잠재력을 가지고 있다고 믿습니다. 전력, AI가 혁신과 최적화를 주도합니다

애플리케이션 리소스 수준에 대한 명확한 가시성

Gupta는 IBM이 무어의 법칙 시대의 도래와 폭발적인 증가로 인해 2030년까지 데이터 센터 에너지 소비가 12%(또는 그 이상) 증가할 것으로 예상한다고 말했습니다. 데이터 볼륨, 속도 및 에너지 집약적인 워크로드

“간단히 말하면 AI는 구매, 유지, 관리 및 모니터링해야 하는 하드웨어의 양을 줄일 수 있습니다. ”

굽타는 실시간 수요를 충족하기 위해 유연하게 확장하려면 데이터 센터 관리자가 조직의 애플리케이션 리소스 수준을 명확하게 이해해야 한다고 말했습니다. AI 기반 자동화는 이 프로세스에서 핵심 역할을 수행하여 리소스 혼잡과 대기 시간을 줄일 수 있습니다. 하드웨어 워크로드를 안전하게 유지하고 성능 표준을 유지하면서 위험을 감수할 수 있습니다.

예를 들어, IBM의 Turbonomic은 애플리케이션 리소스 수준을 자동으로 최적화하고 비즈니스 요구 사항에 따라 확장할 수 있습니다.

Gupta는 다음과 같이 말했습니다. “이를 통해 IT 관리자는 단일 대시보드를 통해 리소스를 모니터링할 수 있습니다. 수준에서 실시간으로 결정을 내리고 효율성을 향상시켜 애플리케이션이 과도하게 프로비저닝되지 않도록 합니다. ”

AI 기반 데이터 센터의 이점 극대화

데이터 센터의 AI 및 ML 사용 사례는 계속 증가하고 있지만 조직은 구현하기 전에 몇 가지 핵심 요소를 고려해야 합니다. 그러나 사전 패키지된 AI 및 ML 솔루션의 가용성이 점점 더 높아지고 있습니다. 단일 포인트 솔루션 이상의 통합이 여전히 필요합니다. DIY AI 배포는 가능하지만 데이터를 유용한 통찰력으로 전환하려면 데이터와 전문 지식을 수집하는 센서에 대한 투자가 필요합니다.

Campana는 "많은 조직이 선택합니다. 자체 데이터를 구현합니다. 데이터가 다른 사람의 데이터와 통합되거나 통제할 수 없는 방식으로 사용되지 않도록 보장하기 때문입니다. 이는 사실이지만 조직은 보안 및 개인정보 보호에 대한 책임을 받아들여야 합니다. ”

올바른 리소스를 사용하면 데이터 센터가 더욱 스마트해지고 효율적이 될 수 있지만 이를 달성하려면 최적의 계획이 필요합니다.

Gupta는 다음과 같이 말했습니다. “AI 기반 데이터 센터를 구현하는 데 있어서 계획은 핵심 요소가 되어야 합니다. 성공적인 배포는 하루아침에 이루어지지 않으며 IT 리더는 하드웨어가 무엇을 할 수 있는지 이해하는 것과 같은 요소를 고려해야 합니다. ”

유연성이 중요합니다

AI 기반 데이터 센터 성공의 핵심은 전략적 접근 방식을 취하는 것입니다. 이는 AI 및 ML에 대한 올바른 사용 사례를 식별하고, 필요한 인프라와 도구에 투자하고, 시스템을 효과적으로 관리 및 유지 관리할 수 있는 숙련된 직원으로 구성된 팀을 개발하는 것을 의미합니다.

Gupta는 기업이 분산된 데이터 센터 위치부터 다양한 클라우드 배포에 이르기까지 거대한 인프라를 유지하는 경우가 많다고 말했습니다. IT 리더는 모든 데이터 소스에 대한 집계 레이크를 구축해야 하는지, 아니면 데이터 준비, ML 및 AI 도구를 각 위치에 가져와야 하는지 고려해야 합니다. 기업은 IT 인프라를 변화시킬 때 제공되는 가치뿐만 아니라 생성되는 취약점도 고려해야 합니다. ”

그는 이렇게 덧붙였습니다. “최고의 계획도 잘못될 수 있습니다. 과정을 빠르게 조정할 수 있는 민첩한 조직이 더 성공할 수 있는 기술 출시의 경우에도 마찬가지입니다. "

IT 및 데이터 센터 성능을 향상하기 위한 네 가지 새로운 전략

AIOps, MLOps, DevOps 및 SecOps는 각각 고유한 장점을 가지고 있습니다. 결합하면 데이터 센터 운영과 광범위한 IT 성능을 최적화하고 비용을 절감하며 서비스를 개선할 수 있습니다.

AIOps는 전사적으로 데이터 센터 및 IT 워크플로우를 자동화하고 확장합니다.

AIOps는 데이터 센터에서 기업의 지속 가능성 및 탄소 감소 노력의 중심이 되고 있으며 새로운 성과를 효과적으로 식별하는 것으로 입증되었습니다. 기술은 실시간 성능 데이터(원인 및 결과 분석)를 기반으로 조치를 해석하고 권장하는 능력입니다.

예를 들어 Walmart는 AIOps를 사용하여 전자 상거래 운영을 간소화하고 있습니다. AIOps는 ML 모델 및 자연어 처리(NLP)에 의존합니다. ). 데이터 센터 운영의 정확성, 비용 효율성 및 효율성을 향상시킬 수 있는 새로운 프로세스 워크플로를 발견하기 위해 소매업체는 AIOps를 사용하여 기술 스택과 광범위한 인프라를 자동화하는 동시에 비효율성과 단절된 프로세스를 실시간으로 감지하고 해결하고 있습니다. 관리

AIOps는 전자상거래 플랫폼 내에서 보다 정확한 실시간 이상 탐지를 가능하게 합니다. 또한 이 기술은 데이터 센터에서 사용 가능한 모든 소스의 데이터를 상호 연결하여 운영에 대한 360도 보기를 제공하고 개선할 수 있는 개선 사항을 식별하는 데도 능숙합니다.

소매업체는 DevOps에 의존하여 애플리케이션 개발을 가속화합니다.

소매업체는 DevOps에 의존하여 경쟁력을 유지하고 새로운 애플리케이션 및 기능의 출시 시간을 단축합니다. 소프트웨어 개발자 및 IT 운영 팀. 소프트웨어 제공을 간소화하고 새로운 모바일 앱, 웹 사이트 기능 및 고객 경험 기반 개선 사항을 개발하는 데 효과적인 것으로 입증된 소프트웨어 개발 접근 방식입니다.

Amazon, Target, Nordstrom, Walmart 및 기타 주요 소매업체는 DevOps를 채택합니다. 소매 CIO는 DevOps 코드 기반의 품질이 높을수록 데이터 센터가 더 효율적으로 운영되어 전 세계 고객에게 최신 애플리케이션 버전을 제공한다고 말합니다.

MLOps는 수명 주기 기반 접근 방식을 제공합니다.

소매업체에서 더 많은 데이터 과학자를 채용함에 따라 MLOps는 모델을 최신 상태로 유지하고 가용성을 유지하기 위해 DevOps만큼 중요해졌습니다.

재고 관리 및 최적화부터 시작하여 MLOps는 소매업에서 가장 비용이 많이 들고 어려운 문제인 공급망의 불확실성을 효과적으로 해결하는 것으로 입증되었습니다. 만성적인 인력 부족과 인플레이션 비용 증가로 인해 재고 관리는 소매업체의 성공에 매우 중요해졌습니다.

Macy, Walmart 및 다른 사람들은 MLOps를 사용하여 가격 책정 및 재고 관리를 최적화하여 소매업체가 비용 절감 결정을 내릴 수 있도록 돕고 너무 많은 재고를 보유하는 데 따른 부정적인 위험으로부터 자신을 보호합니다.

SecOps는 AI와 ML을 사용하여 모든 ID와 위협 표면을 보호합니다.

SecOps는 보장합니다. 데이터 센터와 더 넓은 IT 인프라는 안전하고 불만 없이 유지됩니다. 제로 트러스트 보안은 어떤 사용자나 장치도 신뢰할 수 없으며 모든 ID를 확인해야 한다고 가정합니다. 이는 성공적인 SecOps 구현의 기초입니다. 목표는 점점 더 정교해지는 사이버 공격의 공격 표면과 위험을 줄이는 것입니다.

SecOps는 가장 검증된 기술을 결합하여 침입과 위반을 줄여 데이터 센터 보안을 최적화합니다. 제로 트러스트 보안을 채택하면 소매업체가 고객, 직원 및 공급업체의 신원을 보호하는 데 도움이 되며, 마이크로 세분화를 통해 공격의 폭발 범위를 제한할 수 있습니다.

AI와 데이터센터 기술의 미래

엣지 컴퓨팅은 AI 기반 데이터센터 개발을 위한 가장 유망한 기술 중 하나로 자리잡고 있습니다. 엣지 컴퓨팅은 데이터를 소스에 더 가깝게 처리함으로써 대기 시간을 줄이고 전반적인 성능을 향상시킵니다. 인공 지능과 결합하면 이 기술은 실시간 분석 및 의사 결정 기능을 가능하게 하여 데이터 센터가 미래의 미션 크리티컬 프로세스를 처리할 수 있는 잠재력을 제공합니다.

Campana는 다음과 같이 말했습니다. “5G로의 전환은 이러한 변화의 중요한 단계이며 AI 기반 소프트웨어 인프라에서 혁신의 물결을 주도하고 있습니다. 새로운 데이터 센터를 시작하는 기업의 경우 5G 채택과 최종 영향을 고려해 볼 가치가 있습니다. ”

그리고 Gupta는 인공 지능과 데이터 센터 도구가 규정 준수 요구 사항을 자동으로 충족하도록 설계되므로 데이터 지능 자동화가 엄격하게 규제되는 산업에 계속 진출할 수 있는 방법이라고 믿습니다.

“인공지능과 자동화가 데이터 센터에 더욱 많이 내장되면서 가장 엄격한 규정 준수 프로토콜을 충족할 수 있게 될 것입니다.”

위 내용은 AI 및 ML: 데이터 센터 혁신과 최적화의 새로운 개척지의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!