揭秘如何为数据中心构建人工智能的能力

一个用于数据中心管理和运营的人工智能(AI)策略，你需要的不仅仅是数据和一些非常聪明的人。如果还要满足业务的需求，选择特定的案例并理解那些会影响AI结果的数据类型—然后验证这些结果—将是人工智能能否满足您的业务需求的关键。

通过关注特定的案例，可以扩展早期的成功，并逐步获取进一步的价值。管理人员不需要是人工智能专家，但Uptime Institute建议数据中心管理人员对正在发展应用的人工智能建立基本的深度和广度。让我们谈谈关于人工智能的几点。

演算法和模型

演算法是一系列数学步骤或计算指令。它是一个自动指令集。演算法可以是一条指令，也可以是一串指令—它的复杂度取决于每条指令的简单或复杂程度，以及/或演算法需要执行的指令数量。在人工智能中，模型是指能够处理数据并提供对数据的预期响应或是数学模型的结果。例如将演算法应用于数据集，结果将会是模型。

机器学习技术的三种类型

监督学习:人类提供一个模型和训练数据，有监督学习的主要目标是从有标签的训练数据中学习模型，以便对未知或未来的数据做出预测。“监督”一词指的是已经知道样本所需要的输出信号或标签。

强化学习:人类提供一个模型和未标记的数据。强化学习的目标是开发系统或代理，通过它们与环境的交互来提高其预测性能。当前环境状态的信息通常包含所谓的奖励信号，可以把强化学习看作是与有监督学习相关的领域。

深度学习：它使用多层人工神经网络来构建基于大量数据的演算法，这些演算法能够找到一种最优化的方式来独自做出决策或执行任务。

有些人说，深度学习可以发现更大程度的低效，因为它不受已知模型的约束。另一方面，监督机器学习能做到更加透明(使得领域专家更容易验证结果)，而且自动化的速度也更快。