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)和一些非常聰明的人。如果還要滿足業(yè)務的需求，選擇特定的案例并理解那些會影響AI結(jié)果的數(shù)據(jù)類型—然后驗證這些結(jié)果—將是人工智能能否滿足您的業(yè)務需求的關鍵。

通過關注特定的案例，可以擴展早期的成功，并逐步獲取進一步的價值。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發(fā)展應用的人工智能建立基本的深度和廣度。讓我們談談關于人工智能的幾點。

演算法和模型

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—它的復雜度取決于每條指令的簡單或復雜程度，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)并提供對數(shù)據(jù)的預期響應或是數(shù)學模型的結(jié)果。例如將演算法應用于數(shù)據(jù)集，結(jié)果將會是模型。

機器學習技術(shù)的三種類型

監(jiān)督學習:人類提供一個模型和訓練數(shù)據(jù)，有監(jiān)督學習的主要目標是從有標簽的訓練數(shù)據(jù)中學習模型，以便對未知或未來的數(shù)據(jù)做出預測?！氨O(jiān)督”一詞指的是已經(jīng)知道樣本所需要的輸出信號或標簽。

強化學習:人類提供一個模型和未標記的數(shù)據(jù)。強化學習的目標是開發(fā)系統(tǒng)或代理，通過它們與環(huán)境的交互來提高其預測性能。當前環(huán)境狀態(tài)的信息通常包含所謂的獎勵信號，可以把強化學習看作是與有監(jiān)督學習相關的領域。

深度學習：它使用多層人工神經(jīng)網(wǎng)絡來構(gòu)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。

有些人說，深度學習可以發(fā)現(xiàn)更大程度的低效，因為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明(使得領域?qū)＜腋菀昨炞C結(jié)果)，而且自動化的速度也更快。