AI と機械学習はデータセンター運用にどのような変化をもたらすのでしょうか?

今日のデータセンターは、ほぼ克服不可能と思われる課題に直面しています。データ センターの運用はかつてないほど忙しくなり、データ センター運用チームは企業の炭素削減目標の一環としてエネルギー消費を削減するようプレッシャーを受けています。さらに、電気料金の急騰により、データセンター運営者の予算が圧迫されています。

データ センターは、人々の仕事や生活にますます必要となる重要なテクノロジー サービスのサポートに重点を置いているため、データ センターの運用に多大な負担がかかるのは当然のことです。減速の兆候はなく、ビデオ、ストレージ、コンピューティングのニーズ、スマート IoT 統合、5G 接続の展開に関連するデータ使用量が大幅に増加しています。しかし、作業負荷が増加しているにもかかわらず、残念ながら今日のデータセンター施設の多くは十分に効率的に運用されていません。

データセンターの平均耐用年数が 20 年以上であることを考えると、これは驚くべきことではありません。効率は常にデータ センター施設の元の設計に依存し、長い間超過してきた予想される IT 負荷に基づいています。同時に、変化は絶え間ない要因であり、新しいアプリケーションが進化し続けるにつれて、プラットフォーム、機器の設計、トポロジ、電力密度、冷却要件はすべて進化します。その結果、世界中のデータセンターでは、現在の IT 負荷と計画されている IT 負荷を重要なインフラストラクチャに適合させることに苦労することがよくあります。データセンターへの需要が増加するにつれて、この状況はさらに深刻化するでしょう。アナリストの予測によると、データセンターのワークロードは現在から 2025 年まで毎年約 20% の割合で増加し続けるでしょう。

従来のデータセンターのテクノロジーと方法では、こうした高まる需要を満たすことができません。可用性を優先することは、主に効率性を犠牲にして行われており、依然として多くの作業が運用スタッフの経験と、仮定が正しいという信念に依存しています。残念ながら、このパターンはもはや当てはまらないという証拠があります。リモート センサー モニタリング プロバイダーの EkkoSense の調査によると、データ センター内の IT ラックの平均 15% が ASHRAE の温度と湿度のガイドラインの範囲外で動作しており、非効率性によりデータ センターの冷却にかかるエネルギー消費が最大 60% 減少する可能性があります。これは大きな問題であり、Uptime Institute は、非効率的な冷却と気流管理により、世界中のデータセンターで約 180 億ドルのエネルギーが無駄になっていると推定しています。これは約1500億キロワット時の電力の浪費に相当します。

データセンター インフラストラクチャで使用されるエネルギーの 35% が冷却に使用されていることから、パフォーマンス最適化に対する従来のアプローチでは、効率性の向上を実現する大きな機会を逃していることは明らかです。 EkkoSense の調査によると、計画外のデータセンター停止の 3 分の 1 は過熱が原因です。この問題を管理するさまざまな方法を見つけることで、データ センター運用チームは可用性を確保し、効率を向上させる優れた方法を得ることができます。

従来の監視技術の限界

残念ながら、現在、データセンターの機器の温度をラック レベルで監視して報告している運用チームはわずか 5% 程度です。さらに、DCIM や従来の監視ソリューションでは傾向データを提供したり、障害が発生したときにアラートを出すように設定したりできますが、これらの対策だけでは十分ではありません。彼らには、問題の原因や、将来的に問題をどのように解決し回避するかについての洞察を得るための分析スキルが欠けています。

運用チームは、この従来の監視テクノロジーには限界があることを認識していますが、保有するデータを取得して分析し、有意義な洞察を得るためのリソースと時間がないことも認識しています。幸いなことに、データセンターがこの問題に対処するのに役立つテクノロジー ソリューションが現在利用可能です。

今こそデータセンターと機械学習、人工知能を組み合わせる時だ

機械学習と人工知能の応用により、データセンターの運用方法に新たなパラダイムが生まれました。運用チームは、パフォーマンス データが多すぎて圧倒されるのではなく、機械学習を使用してより詳細なデータを収集できるようになりました。つまり、データセンターで何が起こっているかをリアルタイムで把握できるようになります。重要なのはアクセスしやすくすることであり、スマートな 3D 視覚化を使用すると、データ センター チームが変更の表示や異常の強調表示など、パフォーマンスとデータをより深いレベルで解釈しやすくなります。

次の段階では、機械学習と人工知能分析を適用して、実用的な洞察を提供します。測定データセットを機械学習アルゴリズムで拡張することで、データセンター チームはわかりやすい洞察をすぐに活用し、リアルタイムの最適化の決定をサポートできます。リアルタイムの詳細なデータ収集と 5 分ごとの AI/機械学習分析を組み合わせることで、運用スタッフは施設内で何が起こっているかを確認できるだけでなく、その理由と対処方法も把握できます。

AI と機械学習を活用した分析により、最適な設定ポイント、フロアグリッドレイアウト、冷却施設の運用、ファン速度の調整など、重要な領域で実用的な変更を推奨するために必要な洞察も明らかになります。熱解析により、ラックを設置するのに最適な場所も示されます。また、AI によってリアルタイムの視覚化が可能になるため、データ センター チームは実装された変更に関するパフォーマンス フィードバックを即座に得ることができます。

人工知能と機械学習がデータセンターの運用を支援

二酸化炭素排出量を削減し、電気料金上昇の影響を最小限に抑えるというプレッシャーがあるため、データセンター チームが信頼性と効率性の目標を達成するには、新たな最適化サポートが必要です。

最新の機械学習と AI を活用したデータ センター最適化手法を活用すると、冷却エネルギーと使用量を削減して確実に効果を上げることができ、数週間以内に即座に結果が現れます。詳細なデータを最適化イニシアチブの最前線に置くことで、データ センター チームは過熱や停電のリスクを排除できるだけでなく、冷却エネルギー コストと二酸化炭素排出量を平均 30% 削減できます。特に電気料金が急騰している時期には、このようなコスト削減がもたらす影響を無視することは困難です。 AI と機械学習テクノロジーがデータ センター運用の最前線に登場し、最適化のためにリスクと可用性を比較検討する時代は終わりました。