數(shù)據(jù)中心和IT管理目前正面臨一些重大的行業(yè)變化。其中最重要的是勞動力的轉移和改變，如今IT行業(yè)每天約有10,000人退休，這一趨勢始于2011年，預計將持續(xù)到2030年，而這發(fā)生在物聯(lián)網(wǎng)（IoT）的廣泛應用和發(fā)展期間。2017年全球擁有64億臺物聯(lián)網(wǎng)設備，專家預測其數(shù)量在未來幾年將躍升至兩倍多。

數(shù)據(jù)中心管理與勞動力這兩個主題似乎并沒有關聯(lián)，但實際上它們的聯(lián)系看起來更緊密。由于勞動力人口的變化，有些組織甚至招聘退伍軍人代替行業(yè)資深人士，而這些退休人員離職后，組織將會出現(xiàn)知識和經(jīng)驗短缺問題。這將對大多數(shù)行業(yè)的發(fā)展產(chǎn)生影響，尤其是IT和關鍵基礎設施等高技能行業(yè)中。

另一方面，物聯(lián)網(wǎng)的發(fā)展正在引領新的數(shù)據(jù)中心和網(wǎng)絡架構的變化與發(fā)展。隨著對邊緣位置的需求不斷增加，對分布式數(shù)據(jù)中心管理的需求也在不斷增加。機器學習能夠讓數(shù)據(jù)中心運營商有機會采用更有效的方法進行基礎設施管理，提供自動化操作、預測性警報和主動服務。

通過機器學習，數(shù)據(jù)中心可以識別正?；虍惓５倪\營趨勢，并實施基礎設施系統(tǒng)的自動化管理，例如電力和冷卻。通過采用主動識別措施提高效率，機器學習可以幫助其系統(tǒng)學會在觸發(fā)時自動適應，從而可能無需現(xiàn)場技術人員進行調整。

雖然采用先進的技術可能無法自動解決問題，但機器學習也可以幫助技術人員完成日常工作。通過識別模式和趨勢，機器學習還提供了將技術人員的服務方法從被動轉變?yōu)橹鲃拥臋C會。通過使用預測性警報，技術人員可以在創(chuàng)建問題之前處理維護，最大限度地減少需要員工派遣到用戶的緊急服務呼叫。更重要的是，通過移動的應用程序，技術人員可以提前獲得趨勢和全面的知識庫，在識別問題和解決方案方面有一定的優(yōu)勢。

在以上的例子中，機器學習和人工智能（AI）有可能最大限度地減少對現(xiàn)場技術人員的需求，并通過對運營趨勢、最佳實踐程序和解決方案的見解幫助新員工。但是，獲得這些好處需要大量數(shù)據(jù)和領域專業(yè)知識這兩個關鍵組件。為了利用這些可能性，基礎設施管理必須擁有適當?shù)牧鞒虂聿东@和分析基礎設施數(shù)據(jù)。更好的是，IT專業(yè)人員可以通過更強大的數(shù)據(jù)增強機器學習能力。數(shù)據(jù)中心運營商可以匯總、匿名和分析來自世界各地各種部署的數(shù)據(jù)，提供行業(yè)所需的知識，而不是任何一個特定的位置。

很明顯，IT、冷卻和電力等領域專家的退休，以及數(shù)據(jù)爆炸和邊緣網(wǎng)絡的發(fā)展趨勢都沒有放緩。幸運的是，機器學習只是數(shù)據(jù)中心管理能夠跟上這兩種趨勢的方式之一。