مقالات
تأثیر هوش مصنوعی بر مراکز داده: پشتیبانی از رشد زیرساختهای دیجیتال
همزمان با گسترش ابعاد و پیچیدگی مراکز داده (Data Centers) و پراکندگی جغرافیایی آنها برای پاسخگویی به تقاضای جهانی، هوش مصنوعی (AI) نقشی حیاتی در سادهسازی مدیریت محلی و از راه دور این سایتها ایفا خواهد کرد.
بخش زیرساخت دیجیتال آمادهی یک رشد انفجاری است. انتظار میرود تقاضا برای خدمات الکترونیکی در دهه آینده دو برابر شود و صنعت جهانی مراکز داده نیز برای پاسخگویی به این نیاز گسترده، در مدت مشابه سه برابر شود. بخش بزرگی از این زیرساخت، انرژی مورد نیاز خدماتی را تأمین میکند که جهان به آنها متکی شده است، اما بخش عظیمی از رشد تقاضا از نسل بعدی ارائهی خدمات نشأت میگیرد: دنیای هوش مصنوعی.
هوش مصنوعی در سالهای اخیر به طور قابل توجهی تغییر کرده است. تیترهای متعدد هوش مصنوعی مولد (Generative AI) از تکامل سریع آن ناشی شدهاند و ما شاهد ورود تولید متن، تصویر و حتی ویدئو به ابزارهای رایج بودهایم. اما هوش مصنوعی پیشبین (Predictive AI) – که نه برای تولید داده، بلکه برای تجزیه و تحلیل و نتیجهگیری از آن ساخته شده است – واکنش عمومی ملایمتری دریافت کرده است؛ این علیرغم پتانسیل آن برای استخراج بینشهای ارزشمند از صدا، تصاویر و مهمتر از همه، ویدئو، فراتر از هر چیزی است که ما به تنهایی با توان انسانی میتوانستیم به آن دست یابیم.
پیوند دادن دادههای ویدئویی و هوش مصنوعی
هوش مصنوعی فقط یک محرک رشد نیست، بلکه «توانمندساز» رشد است. همزمان با گسترش ابعاد و پیچیدگی مراکز داده و پراکندگی جغرافیایی آنها برای پاسخگویی به تقاضای جهانی، هوش مصنوعی نقشی حیاتی در سادهسازی مدیریت محلی و از راه دور سایتهای مرکز داده ایفا خواهد کرد. با افزایش مصرف برق – انتظار میرود هوش مصنوعی مولد به تنهایی تا سال ۲۰۲۸ به ۳۸ گیگاوات برق اضافی نیاز داشته باشد – هوش مصنوعی به یافتن بهرهوریهای جدید و کشف منابع اتلاف انرژی کمک خواهد کرد. و با ورود مراکز داده به عصر «موجودیتهای حیاتی»، هوش مصنوعی از عملکرد ضروری امنیت و ایمنی سایتها پشتیبانی خواهد کرد.
دادههای ویدئویی اکنون یک منبع غنی برای تجزیه و تحلیل هوش مصنوعی هستند. یک دوربین به طور بالقوه قویترین حسگری است که یک کسبوکار میتواند به کار گیرد و میلیونها نقطه داده را چندین بار در هر ثانیه تولید میکند. هر پیکسل را میتوان جدا کرد و تجزیه و تحلیل کرد؛ نمای یک دوربین واحد را میتوان به نقاط مورد علاقه متعددی تقسیم کرد تا به یک دوربین اجازه دهد چندین کار را به طور همزمان انجام دهد. تحلیلهای مبتنی بر شیء (Object-based analytics) میتوانند موارد را در یک صحنه شناسایی، ردیابی و طبقهبندی کنند و فرآیندهای خودکار را بر اساس قوانین به سادگی قابل تعریف، فعال سازند. دوربینها همهکاره هستند و کاربردهای آنها تقریباً نامحدود است.
فناوری موجود، فرصتهای جدید
اگر دوربینی بتواند چیزی را ببیند، هوش مصنوعی میتواند بر اساس آن عمل کند. از طریق یادگیری عمیق (Deep Learning)، میتوان برنامههای کاربردی واکنشی سفارشی را توسعه داد که راهحلهای جدیدی برای مشکلات قدیمی ارائه میدهند، یا مشکلات جدید را قبل از اینکه برای اقدام دیر شود، تشخیص میدهند. و برخلاف بارهای کاری سنگین هوش مصنوعی که زیربنای رشد سریع مراکز داده هستند، مدلهای هوش مصنوعی که به درستی آموزش دیدهاند، اجازه میدهند چنین برنامههای تحلیلی مستقیماً بر روی لبه شبکه (Network Edge)، یعنی در داخل همان سختافزار دوربینی که به آن متکی هستند، اجرا شوند.
این بدان معناست که دوربینی که در حال حاضر برای امنیت استفاده میشود، میتواند تواناییهای خود را با استفاده از تحلیلهای هوش مصنوعی ارتقا دهد؛ مثلاً پرسنل غیرمجاز را در مناطق حساس شناسایی کرده و به طور خودکار زنگ خطر را به صدا درآورد، یا فعالیتهای مشکوک مانند پرسه زدن یا ورود غیرقانونی را شناسایی و به اپراتورها هشدار دهد.
اما این همچنین به این معناست که همان دوربین میتواند کارهای بیشتری انجام دهد – میتواند با یک سیستم کنترل دسترسی (Access Control) یکپارچه شود تا عبور غیرمجاز همزمان دو نفر (tailgating) را تشخیص دهد، یا در کنار یک دوربین حرارتی کار کند تا نمایی زنده از هرگونه نقاط داغ (hot spots) را به اپراتورها ارائه دهد و حتی به طور خودکار سیستم خنککننده اضافی را فعال کند.
امکانات خلاقانه برای نوآوری تازه
پتانسیل خلاقانه هوش مصنوعی به این معناست که برنامههای تحلیلی را میتوان طوری شکل داد که متناسب با نیازهای منحصربهفرد محیط مرکز داده باشند. به عنوان مثال، تشخیص شیء ممکن است طوری تنظیم شود که به دنبال موارد ممنوعه مانند بطریهای آب بگردد. دوربینها را میتوان طوری پیکربندی کرد که علائم بصری یا (از طریق میکروفونهایشان) شنیداری خرابی یا افت عملکرد سرور را تشخیص دهند. تحلیلها را میتوان آموزش داد تا مراقب خطرات محیطی مانند نشت (leaks) باشند و اطمینان حاصل کنند که نگهداری و تعمیرات برای افزایش طول عمر تجهیزات کافی است.
با افزایش تعداد مشتریان مرکز داده، تحلیلهای ویدئویی میتوانند تأیید بصری وضعیت دقیق سرورهای فیزیکی را به مشتریان هممکان (co-locating) ارائه دهند یا به بهینهسازی مصرف انرژی از طریق سیستمهای روشنایی و خنککننده خودکار بر اساس تشخیص حضور افراد کمک کنند.
حتی بازیابی فاجعه (Disaster Recovery) نیز میتواند از تحلیلهای هوش مصنوعی بهرهمند شود – دوربینی که دود را تشخیص میدهد میتواند به طور خودکار هشدارهای بلندگو را فعال کند، در حالی که دوربینها، اینترکامها و ریدرها، تعداد دقیق و مکان پرسنل را برای سادهسازی رویههای تخلیه اضطراری فهرست میکنند.
پشتیبانی از آینده مراکز داده
مراکز داده سنگ بنای فناوری فردا هستند، اما هیچکس نمیگوید که گسترش سریع زیرساختهای دیجیتال آسان خواهد بود. اپراتورها به هر مزیتی که بتوانند به دست آورند، نیاز دارند؛ خواه صرفهجویی در هزینه، صرفهجویی در انرژی، یا فقط راهاندازی تأسیسات به پاکترین، کارآمدترین و ایمنترین شکل ممکن.
تحلیلهای هوش مصنوعی همه این مزایا و موارد بیشتری را ارائه میدهند، و همگی به عنوان افزونهای بر سختافزاری (دوربینها) هستند که چه از تحلیلها استفاده میشد یا نه، برای عملکرد امنیتی مورد نیاز بودند.
همانطور که جهان هوشمندتر میشود، زیرساختهای دیجیتال نیز باید هوشمندتر شوند. برنامهریزی مکانهای جدید یا ارتقاها بر مبنای بهرهگیری حداکثری از مزایای هوش مصنوعی، مسیر رسیدن به دنیایی هوشمندتر و ایمنتر برای اپراتورها، مشتریان آنها و به طور حیاتی، دادههای آنها است.