一個用于數據中心管理和運營的人工智能（AI）策略，你需要的不僅僅是數據和一些非常聰明的人。如果還要滿足業務的需求，選擇特定的案例并理解那些會影響AI結果的數據類型—然后驗證這些結果—將是人工智能能否滿足您的業務需求的關鍵。

通過關注特定的案例，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建議數據中心管理人員對正在發展應用的人工智能建立基本的深度和廣度。這樣做意味著他們如何可以更好地確定需要多少數據，以及如何透過人工智能來使用這些數據，這在驗證產出的結果和建議時是至關重要的。

在Uptime Institute Intelligence最近撰寫的一份題為《非常智能的數據中心：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，提出應該對數據中心的人工智能有更好理解的觀點。

作為第一步，讓我們談談關于人工智能的幾點。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。

演算法是一系列數學步驟或計算指令。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—它的復雜度取決于每條指令的簡單或復雜程度，以及/或演算法需要執行的指令數量。

在人工智能中，模型是指能夠處理數據并提供對數據的預期響應或是數學模型的結果。例如將演算法應用于數據集，結果將會是模型。因此，模型是一個或多個算法的結果。如果輸入到演算法中的數據發生變化，或者相同的數據通過不同的演算法輸入，模型就會發生變化。

另一個非常重要的特性是目前數據中心使用的兩種主要人工智能技術：機器學習和深度學習。

機器學習技術主要有三種類型：

監督學習：人類提供一個模型和訓練數據。演算法獲取訓練數據并對模型進行微調，使輸入和輸出/響應更緊密地匹配。隨著時間的推移以及數據的增加，演算法能進一步改進模型，并能夠對新數據的響應做出合理的預測。監督機器學習在數據中心和其他行業中是最常被使用的一種方式。

無監督學習：演算法從未標記的數據中發現模式或內在架構。在某些場景中，無監督機器學習技術會被拿來與監督機器學習技術相結合。實際上，從無監督機器學習的輸出數據可以成為監督機器學習的訓練數據。

強化學習：人類提供一個模型和未標記的數據。當一套演算法確定數據所產生的最佳化結果時，它會得到一個正的數學“獎勵”。（來自谷歌的開源強化學習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習，而強化學習是最新的機器學習技術。

深度學習（Deep learning）是機器學習的一個子集，它使用多層人工神經網絡來構建基于大量數據的演算法，這些演算法能夠找到一種最優化的方式來獨自做出決策或執行任務。人類提供訓練數據和演算法，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絡上的一個數學節點。深度學習不使用來自人類的機器學習模型，而是像使用神經網絡一樣使用訓練數據，它的工作原理像一個決策樹。它根據自己對培訓數據的分析建立了新的模型。

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

有些人說，深度學習可以發現更大程度的低效，因為它不受已知模型的約束。另一方面，監督機器學習能做到更加透明（使得領域專家更容易驗證結果），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習和深度學習的案例。

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

操作人員至少應該了解正在應用的人工智能，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，要求供應商顯示模型中的數據點以及這些節點之間的關系—換句話說，需要了解人工智能是如何使用這些數據來提出相關的建議。最后，不論是否由人員來進行操作，跟蹤結果總是很重要的。

來源：云數據中心