Se você acompanha as tendências do setor, então aposto que seu feed de notícias estava repleto de histórias empolgantes e previsões ousadas sobre inteligência artificial (IA), aprendizado de máquina (ML) e redes neurais. Com as excessivas manchetes, como “Como a inteligência artificial gerenciará o data center” e “É em 2020 quando as máquinas assumem?”, tenho certeza de que muitas pessoas estão mentalmente revirando os olhos enquanto clicam para a próxima matéria. Como qualquer nova tendência, é claro, há exagero, confusão e alegações enganosas. E as empresas às vezes querem agarrá-las e reivindicá-las por conta própria antes que as coisas fiquem totalmente prontas. Mas isso não significa que não haja substância por trás de toda a conversa. Eu acredito no poder da IA para melhorar os data centers. Aqui no Data Center Science Center, acreditamos que o maior impacto da IA nos centros de dados de colo será na confiabilidade e menos na eficiência. Além disso, acreditamos que levará um pouco mais de tempo do que alguns podem pensar antes que o valor da IA seja realmente percebido; há alguns desafios importantes a superar antes que essa tendência realmente aconteça. Vou abordar isso no meu próximo blog sobre esse assunto.
O que é AI?
Inteligência Artificial (IA) e Aprendizado de Máquina (ML) são dois termos freqüentemente usados de forma intercambiável ou considerados sinônimos. A AI geralmente se refere ao conceito de que uma máquina ou sistema pode ser “inteligente” na execução de tarefas e operações baseadas na programação e na entrada de dados sobre si próprio ou sobre seu ambiente. ML, por outro lado, é uma abordagem ou método para tornar uma máquina ou sistema mais inteligente … para permitir que ela seja mais autônoma e auto-ajustável à medida que as condições mudam. ML é fundamentalmente a capacidade de uma máquina ou sistema de aprender e melhorar automaticamente sua operação ou funções sem intervenção humana. ML poderia ser pensado como sendo o estado atual da forma de arte de imbuir uma máquina com IA.
Uma técnica para implementar ML que dizem estar comandando muito do avanço atual em AI, é a Deep Learning (DL). DL é uma forma muito mais intensiva de computação do ML. O Aprendizado Profundo, também conhecido como aprendizado estruturado profundo ou aprendizado hierárquico, envolve a análise algorítmica de um grande número de pontos de dados em vários níveis, nos quais a saída de um nível é alimentada para o próximo de forma sucessiva. Esta estrutura em camadas é muitas vezes referida como uma “rede neural” artificial devido à sua semelhança pretendida com redes neurais em cérebros humanos. Esta abordagem reduz o erro e acelera o processo de aprendizagem.
A inteligência artificial representa um amplo espectro de capacidades. Controles mecânicos do sistema usando PLCs e servidores de automação que existem há anos, por exemplo, são uma forma de inteligência artificial. Mas isso não é o que a maioria das pessoas está falando quando usam esse termo. Hoje, trata-se de usar algoritmos de aprendizado de máquina e aprendizado profundo, redes neurais para automatizar operações de maneira cada vez mais autossuficiente, confiável, eficiente e adaptável, mesmo quando o ambiente muda em tempo real.
Suporte Técnico Acelerado Fortalece a Fundação para IA
Esses métodos de desenvolvimento da IA - aprendizado de máquina, aprendizado profundo, redes neurais, etc. – existem há anos, mas as limitações da tecnologia impediram seu progresso. Nos últimos anos, a IoT, Big Data e a disponibilidade de unidades de processamento gráfico (GPUs) aceleraram muito seu desenvolvimento e aplicação. A inteligência artificial mais avançada depende, em parte, de grandes quantidades de dados correlacionados, a partir dos quais os algoritmos são desenvolvidos e usados para permitir que as máquinas aprendam e tomem decisões. A quantidade de dados ambientais e de dispositivos explodiu graças à redução dos custos de sensores, conectividade de rede, armazenamento e largura de banda. O crescimento da análise de Big Data significa que esses dados ricos podem ser manipulados e seu valor extraído mais rapidamente e com menos recursos do que no passado. Além disso, o processamento desses dados em tempo real com uma baixa taxa de erros exige poderosos recursos de processamento em paralelo que agora são possíveis com as GPUs atuais. Essas tendências criaram uma base tecnológica para a aplicação de IA em data centers.
Os métodos atuais de IA baseados em aprendizado das máquinas são especializados em duas coisas fundamentais:
- Reconhecer padrões em conjuntos de dados muito grandes e bem rotulados – reconhecimento de imagem e processamento de linguagem natural, por exemplo.
- Automatizar processos e serviços atuais que exigem dados na tomada de decisões – como em serviços, manutenção e substituição de hardware.
Mas há alguns desafios-chave relacionados aos dados que devem ser tratados antes que a IA baseada em aprendizado de máquina seja amplamente desenvolvida na indústria e adotada por provedores de colocação. Meu próximo blog vai explicar o que eles são.
IA aumentará o desempenho dos provedores de colocação
No entanto, estou confiante de que o setor resolverá esses desafios e, em muitos aspectos, eles estão sendo abordados agora. É claro que os data centers para Colocation se esforçam para ser eficientes com recursos e rápidos para implantar novas capacidades sem comprometer a disponibilidade de seus locatários. A análise de dados e, cada vez mais, a inteligência artificial se tornarão ferramentas para provedores melhorarem gradualmente seu desempenho nesses pontos. Leia este outro blog que fala sobre o entendimento antecipado e as previsões da AI de Schneider.
Confira como acelerar a transformação digital em um mundo mais elétrico
Adicione um comentário