在生成文本、藝術和視頻方面的突破性用例的推動下，人工智能已經從遙遠的想象變成了短期的當務之急。它正在影響人們對各個領域的思考方式，數據中心網絡當然也不能幸免。但是人工智能在數據中心可能意味著什么呢？人們將如何開始？
雖然研究人員可能會解鎖一些網絡控制的算法方法，但這似乎不是人工智能在數據中心的主要用例。簡單的事實是，數據中心連接在很大程度上是一個已解決的問題。
在超大規模環境中，秘密功能和微觀優化可能會帶來實實在在的好處，但對于大眾市場來說，這可能是不必要的。如果做到這一點至關重要，那么向云的轉移將受到量身定制的網絡解決方案的出現的限制，但遺憾的是，事實并非如此。
如果人工智能要給人留下持久的印象，它必須在操作方面。實現網絡化所需的工作流程和活動的網絡化實踐將成為戰場。與該行業15年來圍繞自動化的雄心相結合，這實際上很有道理。人工智能能否提供所需的技術推動，最終使行業從夢想運營優勢轉變為積極利用自動化、半自主運營？
確定性還是隨機性？
這似乎是可能的，但這個問題的答案有細微差別。在宏觀層面上，數據中心有兩種不同的操作行為：一種是確定性的并導致已知結果的操作行為，另一種是隨機或概率的操作行為。
對于確定性的工作流程來說，人工智能不僅僅是矯枉過正；這完全沒有必要。更具體地說，對于已知的架構，驅動設備所需的配置不需要人工智能引擎來處理。它需要從體系結構藍圖轉換為特定于設備的語法。
即使在最復雜的情況下(具有不同規模需求的多供應商體系結構)，配置也可以完全預先確定。可能會有嵌套邏輯來處理設備類型或供應商配置的變化，但嵌套邏輯很難稱得上人工智能。
但即使在配置之外，許多第二天的操作任務也不需要人工智能。例如，以營銷人員多年來一直使用人工智能的一個更常見的用例為例：資源閾值。其邏輯是，人工智能可以確定CPU或內存使用率等關鍵閾值何時被超過，然后采取一些補救措施。
閾值并沒有那么復雜。數學家和人工智能純粹主義者可能會評論說，線性回歸并不是真正的智能。相反，這是基于趨勢線的相當粗略的邏輯，重要的是，在人工智能成為時尚術語之前，這些東西就已經出現在各種生產環境中了。
那么，這是否意味著人工智能沒有任何作用？絕對不是！這確實意味著人工智能不是一種要求，甚至不是適用于一切，但網絡中有一些工作流程可以也將受益于人工智能。那些概率性而非確定性的工作流程將是最好的候選者。
作為潛在候選者進行故障排除
對于概率工作流來說，可可能沒有比根本原因分析和故障排除更好的候選者了。當出現問題時，網絡運營商和工程師會進行一系列活動，旨在排除問題，并有望找出根本原因。
對于簡單的問題，工作流可能會被腳本化。但對于最基本的問題以外的任何問題，操作員都在應用一些邏輯，并選擇最可能但不是預先確定的前進路徑。根據個人所知或所學，進行一些提煉，要么尋求更多信息，要么進行猜測。
人工智能在這方面可以發揮作用。我們之所以知道這一點，是因為我們了解故障排除過程中經驗的價值。一名新員工，無論他們有多熟練，通常都會表現得不如那些任期很長的人里。人工智能可以替代或補充所有根深蒂固的經驗，而自然語言處理(NLP)的最新進展有助于平滑人機界面。
人工智能從數據開始
最好的葡萄酒始于最好的葡萄。同樣，最好的人工智能將從最好的數據開始。這意味著，設備齊全的環境將被證明是人工智能驅動的操作最肥沃的環境。超大規模企業在人工智能的道路上肯定比其他企業走得更遠，這在很大程度上得益于他們的軟件專業知識。但不可忽視的是，他們在建立數據中心時非常重視通過流遙測和大規模收集框架實時收集信息。
想要在某種程度上利用人工智能的企業應該檢查他們目前的遙測能力。基本上，現有的架構是否有助于或阻礙了任何嚴肅的追求？然后架構師需要將這些操作需求構建到底層架構評估過程中。在企業中，運營往往是在設備通過采購部門后才進行的一些附加工作。對于任何一個希望有一天能利用簡單腳本操作之外的任何東西的數據中心來說，這都不是常態。
回到確定性或隨機的問題，這個問題真的不應該被框定為一個非此即彼的命題。雙方都有各自的角色。兩者都要發揮作用。每個數據中心都將具有一組確定性的工作流程，并且有機會在概率世界中做一些突破性的事情。這兩者都將受益于數據。因此，無論目標和起點如何，每個人都應該專注于數據。
期望值降低
對大多數企業來說，成功的關鍵在于降低預期。未來有時是由宏偉的宣言來定義的，但通常情況下，愿景越宏偉，就越顯得遙不可及。
如果下一波進步更多地是由無聊的創新而不是夸張的承諾推動呢？如果減少麻煩單和人為錯誤足以讓人們開始行動呢？瞄準正確的目標會讓人們更容易成長。在一個缺乏足夠人才來滿足每個人雄心勃勃的議程的環境中，情況尤其如此。因此，即使人工智能趨勢在未來幾年進入幻滅低谷，數據中心運營商仍有機會為其業務帶來有意義的改變。
