在生成文本、艺术和视频方面的突破性用例的推动下，人工智能已经从遥远的想象变成了短期的当务之急。它正在影响人们对各个领域的思考方式，数据中心网络当然也不能幸免。但是人工智能在数据中心可能意味着什么呢？人们将如何开始？
虽然研究人员可能会解锁一些网络控制的算法方法，但这似乎不是人工智能在数据中心的主要用例。简单的事实是，数据中心连接在很大程度上是一个已解决的问题。
在超大规模环境中，秘密功能和微观优化可能会带来实实在在的好处，但对于大众市场来说，这可能是不必要的。如果做到这一点至关重要，那么向云的转移将受到量身定制的网络解决方案的出现的限制，但遗憾的是，事实并非如此。
如果人工智能要给人留下持久的印象，它必须在操作方面。实现网络化所需的工作流程和活动的网络化实践将成为战场。与该行业15年来围绕自动化的雄心相结合，这实际上很有道理。人工智能能否提供所需的技术推动，最终使行业从梦想运营优势转变为积极利用自动化、半自主运营？
确定性还是随机性？
这似乎是可能的，但这个问题的答案有细微差别。在宏观层面上，数据中心有两种不同的操作行为：一种是确定性的并导致已知结果的操作行为，另一种是随机或概率的操作行为。
对于确定性的工作流程来说，人工智能不仅仅是矫枉过正；这完全没有必要。更具体地说，对于已知的架构，驱动设备所需的配置不需要人工智能引擎来处理。它需要从体系结构蓝图转换为特定于设备的语法。
即使在最复杂的情况下(具有不同规模需求的多供应商体系结构)，配置也可以完全预先确定。可能会有嵌套逻辑来处理设备类型或供应商配置的变化，但嵌套逻辑很难称得上人工智能。
但即使在配置之外，许多第二天的操作任务也不需要人工智能。例如，以营销人员多年来一直使用人工智能的一个更常见的用例为例：资源阈值。其逻辑是，人工智能可以确定CPU或内存使用率等关键阈值何时被超过，然后采取一些补救措施。
阈值并没有那么复杂。数学家和人工智能纯粹主义者可能会评论说，线性回归并不是真正的智能。相反，这是基于趋势线的相当粗略的逻辑，重要的是，在人工智能成为时尚术语之前，这些东西就已经出现在各种生产环境中了。
那么，这是否意味着人工智能没有任何作用？绝对不是！这确实意味着人工智能不是一种要求，甚至不是适用于一切，但网络中有一些工作流程可以也将受益于人工智能。那些概率性而非确定性的工作流程将是最好的候选者。
作为潜在候选者进行故障排除
对于概率工作流来说，可可能没有比根本原因分析和故障排除更好的候选者了。当出现问题时，网络运营商和工程师会进行一系列活动，旨在排除问题，并有望找出根本原因。
对于简单的问题，工作流可能会被脚本化。但对于最基本的问题以外的任何问题，操作员都在应用一些逻辑，并选择最可能但不是预先确定的前进路径。根据个人所知或所学，进行一些提炼，要么寻求更多信息，要么进行猜测。
人工智能在这方面可以发挥作用。我们之所以知道这一点，是因为我们了解故障排除过程中经验的价值。一名新员工，无论他们有多熟练，通常都会表现得不如那些任期很长的人里。人工智能可以替代或补充所有根深蒂固的经验，而自然语言处理(NLP)的最新进展有助于平滑人机界面。
人工智能从数据开始
最好的葡萄酒始于最好的葡萄。同样，最好的人工智能将从最好的数据开始。这意味着，设备齐全的环境将被证明是人工智能驱动的操作最肥沃的环境。超大规模企业在人工智能的道路上肯定比其他企业走得更远，这在很大程度上得益于他们的软件专业知识。但不可忽视的是，他们在建立数据中心时非常重视通过流遥测和大规模收集框架实时收集信息。
想要在某种程度上利用人工智能的企业应该检查他们目前的遥测能力。基本上，现有的架构是否有助于或阻碍了任何严肃的追求？然后架构师需要将这些操作需求构建到底层架构评估过程中。在企业中，运营往往是在设备通过采购部门后才进行的一些附加工作。对于任何一个希望有一天能利用简单脚本操作之外的任何东西的数据中心来说，这都不是常态。
回到确定性或随机的问题，这个问题真的不应该被框定为一个非此即彼的命题。双方都有各自的角色。两者都要发挥作用。每个数据中心都将具有一组确定性的工作流程，并且有机会在概率世界中做一些突破性的事情。这两者都将受益于数据。因此，无论目标和起点如何，每个人都应该专注于数据。
期望值降低
对大多数企业来说，成功的关键在于降低预期。未来有时是由宏伟的宣言来定义的，但通常情况下，愿景越宏伟，就越显得遥不可及。
如果下一波进步更多地是由无聊的创新而不是夸张的承诺推动呢？如果减少麻烦单和人为错误足以让人们开始行动呢？瞄准正确的目标会让人们更容易成长。在一个缺乏足够人才来满足每个人雄心勃勃的议程的环境中，情况尤其如此。因此，即使人工智能趋势在未来几年进入幻灭低谷，数据中心运营商仍有机会为其业务带来有意义的改变。
