Lima halangan kepada automasi pusat data
Mudah untuk berfikir bahawa, dalam pusat data dan seterusnya, automasi tidak mengenal sempadan. Kecerdasan buatan menawarkan peluang yang kelihatan tidak berkesudahan untuk meningkatkan operasi dan rangkaian pusat data. Seluruh industri IT telah menerima konsep bahawa aliran kerja boleh diautomatikkan sepenuhnya ke tahap di mana kita boleh mencapai keadaan NoOps. Di dalam pusat data, hampir tiada apa yang tidak dapat kami automasi.
Walaupun teknologi moden berpotensi untuk automasi pusat data, masih sukar untuk mengautomasikan aspek utama, yang merupakan hasil realiti.
Malah, disebabkan ciri fizikal pusat data, ia dalam beberapa cara lebih sukar untuk mengautomasikan daripada jenis infrastruktur atau persekitaran IT yang lain.
Untuk membuktikan perkara itu, mari lihat lima aspek operasi pusat data atau pusat data yang tidak akan diautomatikkan sepenuhnya serta-merta.
1. Penggunaan Pelayan
Dalam awan awam, menggunakan pelayan secara automatik adalah semudah menggunakan beberapa templat infrastruktur sebagai kod untuk menyediakan sumber awan.
Walau bagaimanapun, dalam pusat data, automasi jenis ini tidak boleh dilakukan kerana pelayan adalah perkakasan fizikal. Seseorang perlu memasang pelayan secara fizikal, menyambungkan kabel kuasa dan rangkaian, memastikan penyejukan yang betul, dsb.
Secara teori, robot boleh mengautomasikan kebanyakan kerja penempatan pelayan di pusat data. Walau bagaimanapun, untuk bot beroperasi dengan cekap dalam hal ini, operasi perlu dilakukan secara berskala, dan penggunaan pelayan perlu konsisten dan boleh diramal untuk membolehkan automasi tanpa campur tangan manusia. Walau bagaimanapun, kebanyakan penggunaan pelayan semasa tidak memenuhi piawaian ini.
Sementara orang ramai membincangkan potensi automasi pusat data robotik selama sekurang-kurangnya sedekad, sebab mengapa kita sebenarnya melihat begitu sedikit robot di pusat data adalah berbilang faktor. Dalam kebanyakan kes, aplikasi robot tidak praktikal. Oleh itu, adalah dijangka bahawa penggunaan pelayan akan terus menjadi manual untuk masa hadapan.
2. Penyelenggaraan perkakasan
Biasanya, menyelenggara perkakasan pelayan di dalam pusat data bukanlah satu tugas yang boleh diautomasikan. Menggantikan cakera yang gagal, menggantikan kabel dan bekalan kuasa yang rosak dan mengemas kini kad rangkaian adalah semua rutin pusat data. Satu-satunya cara untuk menyelesaikan isu ini ialah menghantar juruteknik untuk melaksanakan kerja penempatan dan penyelenggaraan.
3. Pemasangan dan penyelenggaraan HVAC
Sistem HVAC menghalang peralatan IT daripada terlalu panas dan merupakan bahagian penting setiap pusat data. Seperti pelayan, sistem HVAC mengandungi komponen fizikal yang memerlukan penyelenggaraan manual.
Penderia HVAC jauh dan sistem pemantauan boleh membantu mengautomasikan beberapa proses yang berkaitan dengan pengurusan HVAC, tetapi akhirnya, penyelenggaraan HVAC bukanlah kerja yang boleh diautomasikan dengan mudah di pusat data.
4. Keselamatan Fizikal
Keselamatan fizikal pusat data ialah satu lagi bidang di mana sistem pemantauan boleh membantu mengautomasikan tugas tertentu, tetapi memerlukan campur tangan manusia untuk menangani isu utama.
Anda boleh menggunakan penderia untuk menjejaki pergerakan orang dalam pusat data, dan peranti biometrik boleh digunakan untuk mengawal akses fizikal ke pusat data secara automatik. Walau bagaimanapun, jika anda mengesan penceroboh, atau sistem kawalan akses automatik anda tidak berfungsi dengan baik, anda memerlukan kakitangan keselamatan untuk bertindak balas.
5. Pemulihan Bencana
Dalam sesetengah kes, rutin pemulihan bencana boleh diautomasikan - sebenarnya, automasi pemulihan bencana adalah penting untuk menjimatkan masa apabila memulihkan data atau aplikasi selepas kegagalan.
Walau bagaimanapun, anda hanya boleh mengautomasikan pemulihan bencana jika aset yang anda perlukan untuk pulih adalah berasaskan perisian dan anda mempunyai infrastruktur yang mencukupi untuk mengehoskan aset yang dipulihkan.
Jika pemulihan memerlukan penggunaan perkakasan baharu atau menggantikan komponen yang gagal (yang mungkin berlaku jika pusat data anda mengalami bencana alam yang menyebabkan sesetengah sistem tidak dapat dikendalikan), anda perlu bergantung kepada manusia untuk melaksanakan kerja secara manual.
Keterbatasan Automasi Pusat Data
Terdapat banyak sebab yang baik untuk mengautomasikan operasi pusat data seluas mungkin. Tetapi banyak aspek pengurusan pusat data tidak sesuai untuk automasi.
Walaupun dalam zaman kecerdasan buatan dan robotik generatif, sukar untuk membayangkan manusia dialih keluar sepenuhnya daripada pusat data dalam masa terdekat.
Atas ialah kandungan terperinci Lima halangan kepada automasi pusat data. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas





Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Menurut berita dari laman web ini pada 18 Jun, Samsung Semiconductor baru-baru ini memperkenalkan pemacu keadaan pepejal gred data pusat generasi seterusnya BM1743 dilengkapi dengan memori kilat QLC (v7) terbaharunya di blog teknologinya. ▲Samsung QLC pemacu keadaan pepejal gred data pusat BM1743 Menurut TrendForce pada bulan April, dalam bidang pemacu keadaan pepejal gred data pusat QLC, hanya Samsung dan Solidigm, anak syarikat SK Hynix, telah lulus pengesahan pelanggan perusahaan di masa itu. Berbanding dengan v5QLCV-NAND generasi sebelumnya (nota di tapak ini: Samsung v6V-NAND tidak mempunyai produk QLC), memori denyar Samsung v7QLCV-NAND telah hampir dua kali ganda bilangan lapisan susun, dan ketumpatan storan juga telah dipertingkatkan dengan banyak. Pada masa yang sama, kelancaran v7QLCV-NAND

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
