如今，大数据分析和物联网正在帮助组织建设更加智能的存储基础设施。而成本更低、数量更密集的CPU将更智能的内置智能驱动到数据存储基础架构堆栈的每一层。
以存储为例，过多的计算能力可用于部署敏捷软件定义的存储，转换到超融合架构，或通过智能地重新分配存储功能来优化I/O应用程序服务器和磁盘主机。
然而，所有这些内置智能有一个缺点，就是可能会降低人们在数据存储基础架构和更改（任何IT变更）之间的可见性，无论是由于用户的修补和升级，扩展使用，还是复杂的错误和组件故障。或者，换句话说，由于配置强大和廉价的处理器，动态优化使人们越来越难以确定其基础设施发生了什么状况。
因此当人们不需要知道任何细节，并且可以简单地依赖低级组件来做正确的事情，直到拥有一个绝对自主的数据中心。而如今企业公共云计算并不会消除对内部专家的需求，IT部门可能会发现这是一把双刃剑。此外，虽然更智能的数据存储基础架构帮助人们配置，优化，增长计划，并排除故障，它可能会让人们盲目或愚弄，并积极努力将基础设施转向人们的“意志”。
尽管所有这些潜在的负面因素需要做出选择，人们希望获得在一个更智能，更自主的IT世界（即使有一些人工智能失控的风险）。
这些都与数据有关
还记得以前的分析是一个离线过程吗？捕获文件中的一些数据；打开Excel，SAS或其他桌面工，并在几周后收到一条建议。如今，这种分析延迟的时间太长，并且太简单。
动态优化由于采用了功能强大，成本低廉的本地处理器，这使得人们越来越难以确定我们的基础设施正在发生什么。
考虑到应用程序和用户的速度和敏捷性，更何况更大的数据流和弹性云代理，人们需要洞察力和比以往更快的回答。这种智能从大量可靠的数据开始，如今的基础设施每天都在产生越来越多数据（事实上，由于物联网的兴起，人们很快就会淹没在新的数据中），并需要处理和管理所有这些信息。
例如，存储阵列长期以来可以提供有见地的数据，但历史上需要供应商特定的，复杂和昂贵的存储资源管理应用程序来充分利用它。幸运的是，如今已有一系列的发展，基础设施帮助人们具有更智能的IT系统管理，并更好更快地生成用户的数据：
数据处理。随着物联网应用的增长，存储组件正在生成越来越多的详细的数据。这种日益增长的数据需要IT本身内的大数据分析技术。而IT管理员需要花费一些时间学习一些Python和Spark技能。
消耗API.现代存储平台现在提供或生产易于使用的空闲的API（表示性状态传输API），允许任何人（具有权限）直接使用几乎任何类型的第三方分析工具访问关键数据。标准API还通过集成诸如OpenDataSource的平台来启用和强化第三方系统管理。
家庭支持呼叫。大多数存储供应商如今将家庭支持呼叫调用到他们的阵列中，使他们能够将详细的机器日志发送给供应商，以便每天进行处理。然后，供应商可以使用大数据工具聚合数据，以便为客户提供主动的支持和洞察，从而实现更好的产品管理和营销。家庭呼叫功能也可以从Glassbeam那样的供应商作为服务提供，这也可以帮助提供一个客户端门户作为一个“附加价值”，直接向IT最终用户提供使用和性能洞察。
幸运的是，如今基础设施有了一系列的发展，可以帮助人们可以更好管理智能的IT系统，并更好地生成用户的数据。
可视化。面向IT的大数据提供了大量优秀的可视化工具，通常由企业商业智能应用人员（例如Tableau公司）利用。因此，IT本身现在可以构建对业务友好的仪表板和报告。同时，许多供应商使用了更加清楚和易于访问的开源可视化库（如d3.js）来轻松创建和提供自定义产品仪表板以及可共享的小部件。
下一代智能。一些供应商正在做可视化之外的真正聪明的事情。而供应商可以帮助提供高级产品特定的关键性能指标，才能将这些详细数据转移到可操作的情报中，这是不够的。作为第一步，如今的供应商可以巧妙地将低级数据流积累到健康，容量或风险的专家“模型”中。一些模型为每个特定平台的独特“分数”来产生线性预测。真正高级的建模可以考虑未来的工作负载增长和数据存储基础设施升级的计划，并且可以基于分析排队行为进行非线性性能预测。
智能机器
随着大数据分析和物联网应用的发展，肯定有令人兴奋的新发展，并产生更加智能的数据存储基础设施的空间。
例如，人们只看到了系统管理领域中应用机器学习的开端。注意更智能的机器学习优化，作为软件即服务分析服务出现，嵌入客户控制台以进行动态操作，在仪表板和门户网站中进行智能战略规划，甚至将其推入设备以帮助他们变得越来越自主。
如果汽车很快会自动驾驶，那么人们对此不应该感到惊讶。当存储阵列开始告诉人们自己可以处理数据。如果有一天，人们可能不得不为新的存储阵列进行一个企业面向IT的智能测试，看看它们为数据中心运营是否已经准备好了没有。
