Date: 4월 14, 2017
이 2 부분 시리즈에서 두 번째 게시물입니다. 부품 하나 여기에 사용할 수 있습니다. 우리는 기계 학습 기반 분석 도구의 출현으로 그것의 변화 역할 강조는.
기계 학습에 대 한 답변 제공
최신 데이터 과학 관리에 접근 하 고 기계 학습 (ML)의 인공 지능 분야 적용 가상 인프라를 최적화 합니다.
전통적인 컴퓨터 과학 방법으로 개별 구성 요소를 모니터링 하는 대신 ML 도구는 상호 부품의 동작을 분석 합니다. 그들은 시간이 지남에 변경 이러한 복잡 한 행동의 일반적인 패턴을 추적 합니다. 기계 학습 기반 분석 도구는 자동으로 성능 문제의 근본 원인을 식별 하 고 해결 하는 데 필요한 단계를 추천.
데이터 중심, 행동 기반 접근 방법에이 변화는 주요 의미는 크게 능력을 IT 전문가. IT 전문가 항상 도메인 전문 컴퓨터 과학에서이 필요 합니다. 하지만 어떤 분석 기술이 필요가 있을 것 이다 그것이 새로운 AI 기반 세계에서 효력이?
달리 이전 분석 도구 범용 또는 비교적 낮은 수준의 기본 형식 또는 특정 목적을 위해 그들을 적용 하는 방법을 결정 하는 그것을 떠나 Api 제공. 초기 도구 하기 때문에 그들은 적용을 제한 했다 주로 실용적인 아니었다. 또한, IT 전문가 들을 사용 하 여 깊은 분석 배경을가지고 있었다. 새로운 도구는 많이 다릅니다. 그들은 그것을 허용 하는 전문화 한 훈련 없이 고급 데이터 과학 접근을 사용 하 여 앞서-도약 하는 전문가. 
그들은 자동으로 빨리, 근본 원인 분석, 용량, 또는 용량 계획 같은 복잡 한 문제에 정확한 솔루션 제공합니다.
첫째, 그것은 첫 번째 장소에서 그들을 방지 하는 문제를 진단 하는에서 그들의 강조를 이동 합니다. 다음으로,-성능 및 신뢰성을 보장 하기 위해 제공 하는 필요의 해방, 그들은 효율성을 최적화 하는 방법을 찾을 것입니다. 마지막으로, 그들은 진화 하 고 그들의 비즈니스 운영을 지원 하기 위해 그들의 환경을 확장 하는 전략을 구현 ML 도구를 사용 합니다.
그리고 그들의 이해 및 기계 학습 기반 분석 도구 사용을 성숙의 IT 전문가, 그들은 자동화와 자기 운전 데이터 센터의 미래를 위한 기초의 최전선에 있을 것입니다.