-4-數(shù)據(jù)中心人工智能怎樣可以做到以終為始一個用于數(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)和一些特別聰慧的人。假如還要滿意業(yè)務的需求，選擇特定的案例并理解那些會影響AI結果的數(shù)據(jù)類型—然后驗證這些結果—將是人工智能能否滿意您的業(yè)務需求的關鍵。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)和一些特別聰慧的人。假如還要滿意業(yè)務的需求，選擇特定的案例并理解那些會影響AI結果的數(shù)據(jù)類型然后驗證這些結果將是人工智能能否滿意您的業(yè)務需求的關鍵。

通過關注特定的案例，可以擴展早期的勝利，并逐步獵取進一步的價值。管理人員不需要是人工智能專家，但UptimeInsTItute建議數(shù)據(jù)中心管理人員對正在進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(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)出的結果和建議時是至關重要的。

在UpTImeInsTItuteIntelligence最近撰寫的一份題為《特別智能的數(shù)據(jù)中心：人工智能將如何推動運營決策》（Verysmartdatacenters：HowartificialIntelligencewillpoweroperaTIonsdecisions）的報告中，提出應當對數(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(shù)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簡單度取決于每條指令的簡潔或簡單程度，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)并供應對數(shù)據(jù)的預期響應或是數(shù)學模型的結果。例如將演算法應用于數(shù)據(jù)集，結果將會是模型。因此，模型是一個或多個算法的結果。假如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。

另一個特別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：機器學習和深度學習。

機器學習技術主要有三種類型：

監(jiān)督學習：人類供應一個模型和訓練數(shù)據(jù)。演算法獵取訓練數(shù)據(jù)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(shù)據(jù)的增加，演算法能進一步改進模型，并能夠對新數(shù)據(jù)的響應做出合理的猜測。監(jiān)督機器學習在數(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)督學習：演算法從未標記的數(shù)據(jù)中發(fā)覺模式或內在架構。在某些場景中，無監(jiān)督機器學習技術會被拿來與監(jiān)督機器學習技術相結合。實際上，從無監(jiān)督機器學習的輸出數(shù)據(jù)可以成為監(jiān)督機器學習的訓練數(shù)據(jù)。

強化學習：人類供應一個模型和未標記的數(shù)據(jù)。當一套演算法確定數(shù)據(jù)所產(chǎn)生的最佳化結果時，它會得到一個正的數(shù)學"嘉獎'。（來自谷歌的開源強化學習框架被命名為多巴胺。）通過供應反饋，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（Deeplearning）是機器學習的一個子集，它使用多層人工神經(jīng)網(wǎng)絡來構建基于大量數(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。人類供應訓練數(shù)據(jù)和演算法，計算機將這些輸入分解成一個特別簡潔的概念層次。每個概念成為中立網(wǎng)絡上的一個數(shù)學節(jié)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(jīng)網(wǎng)絡一樣使用訓練數(shù)據(jù)，它的工作原理像一個決策樹。它依據(jù)自己對培訓數(shù)據(jù)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簡單度，以及所使用的模型和數(shù)據(jù)。但是，假如全部這些都是相同的，那么有一些特定的技術特殊適合于特定的用例。

有些人說，深度學習可以發(fā)覺更大程度的低效，由于它不受已知模型的約束。另一方面，監(jiān)督機器學習能做到更加透亮?????（使得領域專家更簡單驗證結果），而且自動化的速度也更快。

它可能有所不同，但是下面是一些特別適合不同類型的機器學習和深度學習的案例。

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

操作人員至少應當了解正在應用的人工智能，并達到肯定深度和廣度的基本學問水平。假如采納人工