Date: 13 11 月, 2017
數據科學的救援
隨著全球數字數據水平的不斷攀升，企業正在努力尋找數據中的商業價值，並使其計算機科學策略適應不斷發展的數據科學市場。傳統的管理和監控工具使用了與物理服務器環境相同的方法，即通過查看離散孤島（網絡，存儲，基礎架構，應用程序）。他們使用多個手動設置的閾值來關注各個指標 – CPU利用率，內存利用率，網絡延遲等。這種基於閾值的方法起源於一個相對靜態的，被很好理解的物理服務器環境，在處理當今虛擬環境的複雜性方面被證明是無效的。與物理服務器環境中的對應方不同，虛擬環境中的組件共享主機資源，從而在它們之間創建複雜，高度相互依賴的關係。它們也是高度動態的，使IT能夠不斷創建和移動虛擬機上的工作負載。IT專業人員不能再使用昨天的手動計算機科學方法做出明智的決定，並且一次分析單個孤島的警報。這就是為什麼企業正在轉向使用機器學習和深度學習的複雜AI學科的“數據科學”方法，以獲得一個全面的自動化解決方案，以消除耗時的解決性能問題和優化虛擬環境的手動過程。
機器學習分析工具提供答案
先進的基於機器學習的解決方案不是像基於閾值的工具那樣監視各個指標，而是隨著時間的推移而學習相關組件的複雜行為。他們可以同時考慮多個相關組件的度量。因此，與基本的機器學習工具或傳統的基於閾值的工具相比，它們可以提供更精確，準確的虛擬環境信息。他們不是製造“警戒風暴”，而是在一天，一周，一個月和一年中的特定時間識別與異常行為相關的有意義的事件。而且由於機器學習是設計的核心，所以不需要手動配置。先進的機器學習解決方案，可以在幾分鐘內啟動並運行，並立即學習行為。因此，這種向以數據為中心，基於行為的方法的轉變具有重大的意義，能夠顯著提高IT專業人員的能力。IT專業人員總是需要計算機科學領域的專業知識，但是在這個新的人工智能驅動的世界中，IT需要哪些分析技能才能發揮效用？IT部門不會花費時間來應對和改進應用程序性能問題，而是將重點從診斷問題轉移到主動預測和避免這些問題。為了確保性能和可靠性，無需過度供應，他們將能夠尋求方法來優化效率，並將時間花在關注更大的目標上。這使IT部門能夠提供真正的商業價值，並致力於推動公司目標前進的項目。一般來說，這種價值賦予了IT高層管理人員一個重要的聲音，使他們進入決策過程，縮小IT和運營之間的差距。而隨著IT專業人員對基於機器學習的分析工具的理解和使用的提高，他們將走在為自動化和未來自動駕駛數據中心奠定基礎的前沿。吉姆的生物：
Jim Shocrylas是SIOS產品管理總監。Jim在IT行業已有20多年的歷史，最近擔任EMC新興技術部門的項目經理。