隨著企業開始采用經過數據中心大運營商和托管服務提供商試用和測試過的機器學習技術，人工智能將在數據中心運營中扮演更重要的角色。

目前的混合計算環境通常涉及到本地數據中心、云和托管站點，以及邊緣計算部署。企業發現管理數據中心的傳統方法并不是最優的。通過使用人工智能，正如機器學習所展示的那樣，極有可能簡化復雜計算設施的管理。

目前，人工智能在數據中心的應用主要是圍繞使用機器學習來監測設施組件，并進行自動管理，例如電源和配電單元、散熱基礎設施、機架系統和物理安全等。

在數據中心設施內部，有越來越多的傳感器收集來自包括電源備份（UPS）、配電裝置、開關設備和冷水機組在內的設備的數據。關于這些設備及其環境的數據由機器學習算法進行解讀，這些算法深度分析性能和容量，并確定適當的響應，例如更改設置或者發送警報等。隨著條件的變化，機器學習系統從變化中學習——它實際上是被訓練為自我調整，而不是依賴于具體的編程指令來執行其任務。

其目的是使數據中心運營商能夠提高設施的可靠性和效率，并有可能更自主地運行這些設施。然而，獲取數據并不是一項簡單的任務。

施耐德電氣公司數據中心全球解決方案高級主管Steve Carlini說，基本需求是獲取來自主要組件的實時數據。也就是那些冷水機組、冷卻塔、通風機、風扇等組件的實時數據。在IT設備方面，它意味著服務器利用率、溫度和功耗等指標。

Carlini說：“很難對數據中心進行評價。數據中心與配電和散熱有關的連接點是非常多的，如果企業想嘗試人工智能，就需要獲得這些連接點的數據。”

IT專業人員習慣于設備監測和實時報警，但在機房設施方面并非如此。Carlini說：“IT設備對信息的要求是即時的。而在電力系統中，不是即時的。其環境不同。”

過去不到十年的時間里，第一個數據中心已經完全儀表化了，用儀表來監測供電和散熱。在儀表存在的地方，很難進行標準化：數據中心運營商依賴于采用多種通信協議的樓宇管理系統——從Modbus和BACnet到LONworks和Niagara，并且必須兼容不共享數據或者不能通過遠程控制進行操作的設備。Carlini說：“TCP/IP、以太網連接——這類連接在傳動系統和散熱領域是前所未聞的。”

好消息是數據中心監測正朝著高級分析和機器學習所需的深度發展。Carlini說：“服務提供商和托管提供商一直非常擅長在子架級或者機架級進行監測，以及對能源使用情況的監測。企業開始部署它，這取決于數據中心的規模。”

機器學習讓數據中心保持涼爽

2016年，德爾塔航空公司由于電力系統故障導致數據中心停電，三天時間內停飛了大約2000次航班，使該航空公司損失了1.5億美元。這正是基于機器學習的自動管理功能可以避免的應用場景。由于數據中心性能的進步以及云中數據池的出現，智能系統有可能發現數據中心運營中的漏洞，從而提高效率，而這是手動過程做不到的。

機器學習推動的智能應用的一個簡單例子是基于狀態的維護，它應用于數據中心中的消耗品，例如，冷卻過濾器等。Carlini說，通過監測流過多個過濾器的空氣流量，智能系統可以檢測到一些過濾器是否比其他過濾器更容易堵塞，然后把空氣引導到不容易堵塞的單元中，直到需要更換所有過濾器為止。

另一個例子是監測UPS系統中電池的溫度和放電情況。智能系統能夠發現一個UPS系統運行的環境更熱一些，并且可能比其他系統更頻繁地放電，然后會將其指定為備份UPS，而不是主用UPS。Carlini說：“它站在你的角度為你思考。這可以手動完成，但機器也可以做到。這是最基本的。”

層次更高的應用是動態散熱優化，這是當今數據中心機器學習更常見的例子之一，尤其是對于數據中心大運營商和托管提供商。

通過動態散熱優化，數據中心管理人員可以根據環境條件監測并控制機房的散熱基礎設施。當設備移動或者計算流量出現激增時，建筑物內的熱負荷也會發生變化。動態調節散熱輸出，以轉移熱負荷，這有助于避免不必要的散熱能力并降低運行成本。

451 Research公司的數據中心技術和生態效率IT渠道研究總監Rhonda Ascierto評論說，托管服務提供商是動態散熱優化技術的主要采用者。Ascierto說：“機器學習對數據中心來說并不陌生。長期以來，人們一直想根據容量和需求來更好地進行適當的散熱，而機器學習使您能夠實時地完成這項工作。”

Vigilent是動態散熱優化領域的領導者。其技術用于優化數據中心設施中的空氣流，自動發現并消除熱點。

Vigilent的創始人、總裁兼首席技術官Cliff Federspiel說，數據中心運營商運行的散熱設備往往比實際需要的多。“它產生的溫度分布通常還是能接受的，但代價很高。”

如果有一個熱點，典型的反應是進一步提高散熱能力。在現實中，如果空氣流速過快會產生壓力差，干擾設備上的空氣流，或者阻礙熱空氣返回到散熱設備。盡管這與我們的直覺不符，但能更有效地降低風扇速度。