一個用于數(shù)據(jù)中心管理和運營的人工智能（AI）策略，你需要的不僅僅是數(shù)據(jù)和一些非常聰明的人。如果還要滿足業(yè)務(wù)的需求，選擇特定的案例并理解那些會影響AI結(jié)果的數(shù)據(jù)類型—然后驗證這些結(jié)果—將是人工智能能否滿足您的業(yè)務(wù)需求的關(guān)鍵。

通過關(guān)注特定的案例，可以擴展早期的成功，并逐步獲取進一步的價值。管理人員不需要是人工智能專家，但Uptime Institute建議數(shù)據(jù)中心管理人員對正在發(fā)展應(yīng)用的人工智能建立基本的深度和廣度。這樣做意味著他們?nèi)绾慰梢愿玫卮_定需要多少數(shù)據(jù)，以及如何透過人工智能來使用這些數(shù)據(jù)，這在驗證產(chǎn)出的結(jié)果和建議時是至關(guān)重要的。

在Uptime Institute Intelligence最近撰寫的一份題為《非常智能的數(shù)據(jù)中心：人工智能將如何推動運營決策》（Very smart data centers： How artificial Intelligence will power operations decisions）的報告中，提出應(yīng)該對數(shù)據(jù)中心的人工智能有更好理解的觀點。

作為第一步，讓我們談?wù)勱P(guān)于人工智能的幾點。首先，演算法和模型有什么不同？ 在推廣人工智能的人可以拿這些術(shù)語來表示相同的東西，雖然它們可能不盡相同。

演算法是一系列數(shù)學(xué)步驟或計算指令。它是一個自動指令集。演算法可以是一條指令，也可以是一串指令—它的復(fù)雜度取決于每條指令的簡單或復(fù)雜程度，以及/或演算法需要執(zhí)行的指令數(shù)量。

在人工智能中，模型是指能夠處理數(shù)據(jù)并提供對數(shù)據(jù)的預(yù)期響應(yīng)或是數(shù)學(xué)模型的結(jié)果。例如將演算法應(yīng)用于數(shù)據(jù)集，結(jié)果將會是模型。因此，模型是一個或多個算法的結(jié)果。如果輸入到演算法中的數(shù)據(jù)發(fā)生變化，或者相同的數(shù)據(jù)通過不同的演算法輸入，模型就會發(fā)生變化。

另一個非常重要的特性是目前數(shù)據(jù)中心使用的兩種主要人工智能技術(shù)：機器學(xué)習(xí)和深度學(xué)習(xí)。

機器學(xué)習(xí)技術(shù)主要有三種類型：

監(jiān)督學(xué)習(xí)：人類提供一個模型和訓(xùn)練數(shù)據(jù)。演算法獲取訓(xùn)練數(shù)據(jù)并對模型進行微調(diào)，使輸入和輸出/響應(yīng)更緊密地匹配。隨著時間的推移以及數(shù)據(jù)的增加，演算法能進一步改進模型，并能夠?qū)π聰?shù)據(jù)的響應(yīng)做出合理的預(yù)測。監(jiān)督機器學(xué)習(xí)在數(shù)據(jù)中心和其他行業(yè)中是最常被使用的一種方式。

無監(jiān)督學(xué)習(xí)：演算法從未標(biāo)記的數(shù)據(jù)中發(fā)現(xiàn)模式或內(nèi)在架構(gòu)。在某些場景中，無監(jiān)督機器學(xué)習(xí)技術(shù)會被拿來與監(jiān)督機器學(xué)習(xí)技術(shù)相結(jié)合。實際上，從無監(jiān)督機器學(xué)習(xí)的輸出數(shù)據(jù)可以成為監(jiān)督機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)。

強化學(xué)習(xí)：人類提供一個模型和未標(biāo)記的數(shù)據(jù)。當(dāng)一套演算法確定數(shù)據(jù)所產(chǎn)生的最佳化結(jié)果時，它會得到一個正的數(shù)學(xué)“獎勵”。（來自谷歌的開源強化學(xué)習(xí)框架被命名為多巴胺。） 通過提供反饋，它可以通過不同的變化來進行學(xué)習(xí)，而強化學(xué)習(xí)是最新的機器學(xué)習(xí)技術(shù)。

深度學(xué)習(xí)（Deep learning）是機器學(xué)習(xí)的一個子集，它使用多層人工神經(jīng)網(wǎng)絡(luò)來構(gòu)建基于大量數(shù)據(jù)的演算法，這些演算法能夠找到一種最優(yōu)化的方式來獨自做出決策或執(zhí)行任務(wù)。人類提供訓(xùn)練數(shù)據(jù)和演算法，計算機將這些輸入分解成一個非常簡單的概念層次。每個概念成為中立網(wǎng)絡(luò)上的一個數(shù)學(xué)節(jié)點。深度學(xué)習(xí)不使用來自人類的機器學(xué)習(xí)模型，而是像使用神經(jīng)網(wǎng)絡(luò)一樣使用訓(xùn)練數(shù)據(jù)，它的工作原理像一個決策樹。它根據(jù)自己對培訓(xùn)數(shù)據(jù)的分析建立了新的模型。

哪種技術(shù)最適合哪種用例？這取決于算法的質(zhì)量和復(fù)雜度，以及所使用的模型和數(shù)據(jù)。但是，如果所有這些都是相同的，那么有一些特定的技術(shù)特別適合于特定的用例。

有些人說，深度學(xué)習(xí)可以發(fā)現(xiàn)更大程度的低效，因為它不受已知模型的約束。另一方面，監(jiān)督機器學(xué)習(xí)能做到更加透明（使得領(lǐng)域?qū)＜腋菀昨炞C結(jié)果），而且自動化的速度也更快。

它可能有所不同，但是下面是一些非常適合不同類型的機器學(xué)習(xí)和深度學(xué)習(xí)的案例。

雖然現(xiàn)在還處于早期階段，但是隨著時間的推移，某些技術(shù)可能會在未來主導(dǎo)特定的需求。

操作人員至少應(yīng)該了解正在應(yīng)用的人工智能，并達到一定深度和廣度的基本知識水平。如果采用人工智能來幫助運營，要求供應(yīng)商顯示模型中的數(shù)據(jù)點以及這些節(jié)點之間的關(guān)系—換句話說，需要了解人工智能是如何使用這些數(shù)據(jù)來提出相關(guān)的建議。最后，不論是否由人員來進行操作，跟蹤結(jié)果總是很重要的。

來源：云數(shù)據(jù)中心