管理层的一个重复原则是“可以衡量的是可以衡量的。”从财务到生产力，众多众所周知的指标和关键绩效指标，如每个员工的收入，推动业务流程和管理系统。

测量和指标在运营系统中变得更加明显。从质量到效率，这些指标通常定义流程本身。

与数据中心相比，很少有运营环境从流程优化中获益。这些设施拥有巨额资本支出（见证Facebook的7.5 亿美元和谷歌的6亿美元新数据中心）和同样重要的运营成本（它们消耗全球3％的电力，碳足迹等于全球航空业）。这些设施构成了我们日常生活的支柱，从视频流到商业和银行业，它们的重要性只会随着数字化的扩展和新服务的不断涌现而增加。优步证明了这一说法。

然而，数据中心正在经历严重的中断。更加注重降低成本和风险，同时提高灵活性，这使得这些设施成为新的焦点。重要的是，数据中心还有其他几个行业增加的方面：可选性。

数据中心指标

不出所料，有许多用于测量和运营数据中心的既定指标，包括电源效率，可用性和空间利用率。但是，随着数据中心市场的变化，我们现在是否专注于正确的指标？对于现有指标，我们是否捕获了正确的数据点？是否有隐藏的指标和模式等待被利用以最大化这些设施的效用？

为了解决这些问题，我们首先考虑数据中心设施本身。简而言之，这些设施的规模，复杂性和所需的优化需要“人工智能管理”，因为它们越来越无法通过传统规则和启发式方法进行规划和管理。推动这一趋势的因素有很多：

效率和环境影响：正如本文开头所提到的，数据中心消耗了大量的能源，因此，该行业在其能源足迹方面面临着无可否认的审查。再加上消费成本，运营商正在以更具创造性和复杂性的方式解决效率问题。

数据中心整合：数据中心绝对受益于规模经济，无论企业数据中心是合并还是移动到共址设施，结果都是更大的设施，密度和功率使用都要增加。

共址提供商的增长：如同最近的451集团报告所指出的那样，可用性，效率和降低成本至关重要的Equinix和Digital Realty 等共址提供商的增长速度是整体市场的五倍。这些提供商规模庞大，其效率驱动的商业模式将推动AI为竞争对手提供明显的优势。

边缘计算：边缘数据中心的兴起，通常在地理上分散的小型数据中心，可以最佳地放置工作负载。这些边缘节点与中央数据中心或云计算相结合，形成了更大的协作计算结构，而不是独立的实体。这种丰富的拓扑结构为优化和可用性提供了大量输入和控制，再次由AI进行最佳管理。

随着数据中心市场的发展，上述因素得到了更多关注，但还有另一个因素 - 也许是最重要的因素 - 直到最近才被忽视。

管理工作量

为了解释这个因素，让我们考虑一个说明性的类比。为什么房子存在？不是为了结构，而是为居民提供住所和舒适。同样，为什么数据中心存在？不是为了许多服务器和大规模的电力和空调系统，而是为了在数据中心运行的应用程序或工作负载。

数据中心内的所有资产，从软件系统到设施本身，以及这些资产的管理流程，都只是为了支持在这些资产上运行的工作负载。这产生了Workload Asset Management的规则，其定义为“通过智能洞察和对底层资产的全面管理实现工作负载优化”。

工作负载资产管理如何通过AI口号扩展管理？在许多方面，包括：

通过将预测的虚拟化，设施或IT设备状态纳入工作负载管理，优化可用性。工作负载可以预先在虚拟环境中，数据中心内或跨数据中心移动，或与云替代方案协调，以优化应用程序可用性;

通过将当前和预期的“每工作量成本”等新因素纳入安置和管理考虑因素，从而全面管理工作量 ;

通过基于工作负载行为管理设施来优化能源使用。当没有人在家时，为什么房子要完全冷却？我们没有。数据中心不应该以相同的方式工作吗？通过深入了解工作负载本身，可以根据当前和预期的行为来限制冷却和IT系统;

通过使用多变量分析改进预测性维护和故障情景，整合所有可用数据点，包括来自工作负载的数据点，以改善结果;

通过规范和合理化整个生态系统（从设施到工作负载）的重要事件，智能地管理警报和警报。数据中心的一个常见问题是处理链式警报，因此很难解决问题的根本原因。边缘数据中心的增长（通常是远程和无人值守）极大地加剧了这一问题。AI与速率变化相结合，偏差或类似算法提供了识别和处理关键警报的理想机制。

工业人工智能市场的这一部分正在出现几个重要和共同的趋势：

使用所有输入来优化结果：数据中心操作可生成大量有用的管理信息，从关键基础架构（电源，散热）到安全（漏洞，异常）再到IT（服务器，虚拟化）。通常，仅使用此信息的一小部分，或者根据特定度量或KPI进行定制。然而，真正的认知系统允许考虑所有输入，因为可能存在先前未知但丰富的模式，这极大地改善了结果。

从被动转变为主动：数据中心主要是被动的：应用程序移动发生在故障之后; 热系统根据温度变化运行; 安全漏洞后解决漏洞。一个良好实施的AI系统，具有丰富的数据输入，认知分析和适当的命令和控制系统，从根本上将数据中心从被动模式转变为主动模式。如果根据未来最佳地放置工作负载会怎么样？需求和基础设施状态？如果根据非常准确的未来失败预测对设备进行抢先修复怎么办？如果根据预期的安全异常预先关闭入口点怎么办？从被动操作到主动操作的转变代表了数据中心市场的最新技术。

替代方案的分析：假设情景是管理系统的支柱，但它们往往是手动和“离线”。相比之下，真正的人工智能系统使用所有可识别选项的实时分析，利用丰富的输入来确定结果。在具有与数据中心一样多的变量的环境中，假设情景根本无法提供所需的实时信息并深入了解运营备选方案。

数据中心是工业AI的理想用例：复杂，能源密集和关键，具有大量输入和控制点，只能通过自动化系统进行适当管理。随着数据中心不断发展的创新，从应用程序性能管理链接（APM）到物理基础架构到紧密链接的虚拟化和多数据中心拓扑，AI的需求和优势只会增加。

责任编辑：何周重