Как искусственный интеллект трансформирует центры обработки данных

Возможность сбора данных для формирования инсайтов зажгла пламя новой цифровой революции, и чем больше данных мы создаем, тем шире становится роль центров обработки данных (ЦОД).

За последнее десятилетие развитие искусственного интеллекта (ИИ) и машинного обучения (МО) в корне изменило подход компаний к тому, как они обрабатывают данные при реализации практически любой бизнес-операции, в какой бы отрасли они ни осуществляли свою деятельность. Уже год назад статистика показывала, что 37% компаний в той или иной мере используют ИИ, то есть за четыре года прирост составил 270%. Возможность сбора данных для формирования инсайтов зажгла пламя новой цифровой революции, и чем больше данных мы создаем, тем шире становится роль центров обработки данных (ЦОД).

Но чтобы эффективно развернуть масштабную систему сбора и анализа данных, которую могли бы использовать все ее подразделения, компания должна построить общую специальную инфраструктуру, предназначенную для реализации проектов с ИИ. В предлагаемой статье рассматриваются некоторые основополагающие тренды, наблюдаемые на фоне продолжающей трансформации ЦОДов под воздействием дальнейшего развития технологий ИИ.

Развитие встроенных интеллектуальных систем

На фоне активизации взаимодействия устройств друг с другом об одном можно сказать с уверенностью: мы постепенно переходим в эру встроенных интеллектуальных систем. Поэтому критически важным условием для нормального функционирования устройств из одной экосистемы является обеспечение возможности их взаимодействия между собой и доступа к данным, хранящимся в облаке, на периферийных устройствах или в основной СХД.

Одним из примеров может служить развитие автономных транспортных средств, которым нужен общий «язык», чтобы автомобили разных марок и моделей могли без проблем общаться друг с другом. Безопасность беспилотного вождения зависит от бесперебойного функционирования экосистемы «умных» светофоров, придорожного оборудования и системы регулирования движения пешеходов, залогом которого являются стандартизация и совместимость. В конце концов это приведет к тому, что экосистему ИИ/МО станет гораздо проще интегрировать и развертывать на уровне периферийных устройств.

«Кликнул в одно место уже два раза? Нужно автоматизировать!»

Согласно прогнозу IDC, в текущем году человечество создаст, сохранит, скопирует и обработает 59 зеттабайтов (Збайт) данных. И если ИТ-команды не хотят оказаться погребенными под лавиной данных, спровоцированной взрывным ростом их объема и сложностью разнообразных рабочих нагрузок, успешная автоматизация – это их спасательный круг.

С одной стороны, автоматизация позволяет разгрузить ИТ-персонал и высвободить ему время для реализации более важных проектов. С другой – это ключевое звено на пути внедрения ИИ для выполнения большего числа функций в ЦОДах благодаря устранению задач, требующих плотного и непосредственного общения между людьми. За счет автоматизации ЦОДы смогут более комплексно подойти к использованию ИИ и перейдут от реактивной схемы реагирования к превентивной, а затем и прогнозной.

Повышение эффективности с помощью чипов ИИ

Использование чипов общего назначения для масштабных процессов с ИИ может быть невероятно дорогим удовольствием. Поскольку для корректной работы ИИ требуются громадные вычислительные мощности, многие компании делают выбор в пользу чипов ИИ, специально разработанных для более эффективного выполнения сложных математических и вычислительных задач. В современных условиях ИИ чаще всего используется для решения очень узких задач, поэтому чипы ИИ могут быть настроены на выполнение какой-то одной из конкретных задач: распознавание образов, обработку естественного языка, сетевую безопасность, роботизацию и/или автоматизацию.

Впрочем, дальнейшее совершенствование ИИ повлечет за собой не только расширение его функционала, но и снижение стоимости внедрения. Сам тренд пойдет еще дальше – развитие инициативы RISC-V и других open-source-технологий снимет часть барьеров на пути появления специализированных «строительных блоков», в которых акцент на эффективности, продуктивности и масштабируемости будет сильнее, чем когда бы то ни было.

Восполнение нехватки квалификации

Нехватка квалифицированных специалистов в области data science в совокупности со стремительным ростом рабочих нагрузок, связанных с машинным обучением, привели к тому, что в мире просто нет достаточного количества профессионалов, специализирующихся на науке о данных ученых и практиков, которые могли бы встать у руля взрывного роста объема данных.

Чтобы восполнить этот дефицит и снизить потребность в участии профессионалов, следует сделать технологии ИИ более доступными для тех сотрудников, которые обладают набором других полезных для компании навыков. Если расширить функционал существующих инструментов и создать платформу для самостоятельной работы, люди без специального образования смогут сами использовать ресурсы ИИ для выполнения анализа с прогнозированием. Не будет преувеличением сказать, что, в принципе любой работник компании должен уметь справляться с базовыми задачами эксперта по анализу массивов данных – дата-сайентиста.

Будущее ЦОДов

В будущее возьмут только те ЦОДы, которые сумеют повысить свою эффективность на фоне увеличения объема данных и усложнения и диверсификации приложений. Бытуют даже мнения, что без ИИ многие ЦОДы окажутся нежизнеспособными как с экономической, так и с операционной точки зрения. В частности, инструменты на базе ИИ могут помочь в более грамотном выделении ресурсов и предоставлении услуг, оптимизации охлаждения и энергопотребления, а также обнаружении большего числа киберугроз.

Лежащие в основе ИИ технологии порождают все новые данные, поэтому критично, чтобы большие ЦОДы могли эффективно поддерживать эти процессы. По мере дальнейшего развития ИИ и ускорения темпов роста объемов данных многие компании находят возможность воспользоваться всеми преимуществами встроенных интеллектуальных систем, нестандартных чипов для ИИ и автоматизации для еще более глубокой оптимизации процесса анализа данных. В конце концов самые успешные ЦОДы научатся стратегически грамотно распределять мощности ИИ для выполнения большей части своих операций, а также перейдут на более «умную», высокоэффективную и гибкую инфраструктуру.