David Wang

HPE 产品营销主管

数十年来，当IT管理员在解决突发事件时，基础架构都游离在外，处于无感状态。有了人工智能之后，基础架构变得可预测，从此由于中断和浪费时间所带来的困扰都不会再有了。

我们所处的时代充满了前所未有的机遇，数字化战略和新型应用正在促使各类组织转型。基础架构不仅推出了这些战略的制定，而且还会带来更多的颠覆性功能——为初创公司提供快速可靠的性能，并持续可用。基础架构日益成熟复杂，组织需要为调节和解决故障不断投入时间和金钱。为了享有数字化业务的利益，基础架构必须“纯粹工作”，不被打断或拖延应用，也不需手动介入。

为了追求更好的性能，各类规模企业的IT领导转而采用闪存。性能一旦下降，他们就认为可能是存储引起的，从而轻率地采用闪存，希望就此解决问题。但最近的一项研究表明，存储引发上述情形的可能性只占不到一半（46%）。其它的引发因素分别是配置问题（28%），互用性问题（11%），非存储最佳实践影响性能（8%），主机、计算或虚拟机问题（7%）。

毋庸置疑，闪存自身不能保证可靠的、不间断的获取数据，或消除人力投入。IT组织想要推动业务进步的愿望强烈，但基础架构总是用故障、修理、调试、重复这一怪圈阻碍这一进步的实现。

来源：Nimble存储调查了12,000多匿名案例，记录下了应用-数据缺口相关的问题。

预测性闪存

预测性闪存代表了一个由AI赋予的独特存储体验。深度感测数据由全球已安装基地持续收集而来；在云端的先进机器学习在分析数据后能识别工作负载和应用中的异常情况；预测性分析能够自动预测并防止问题的发生；由中断和手动调节造成的时间浪费和麻烦由此终结。

有了预测性闪存，IT管理员终于能节省下时间专注于推动组织的进步。但也要认识到，预测性分析必须要在问题发生前发挥作用。

这一表格展示了数据中心所面临的挑战。

存储问题-简单到复杂

正如您所见，问题一般分为几类：简单又普通的问题（左侧），复杂又独特的问题（右侧）。简单又普通的问题，例如驱动失败，常见而且只是困扰IT的一小部分原因。这是大部分厂商的预测能力的拓展。但是，越复杂越独特的问题越难以解决——困难、耗时、费钱。

为了让基础架构满足业务所需，组织必须要应对所有类型的问题。如何做到呢？目前为止，还没有具体办法。但AI和机器学习可以帮助解决复杂而独特的问题——是“长尾”阻碍了有效的数字化转型。

必须具备的人工智能能力

作为人类，我们能看到眼前的事物，能回忆一点过去。但是AI所见超出了这些局限，可以在存储的生命周期中驱动预测性的洞察力，并不断扩大。这些是基础架构的有效AI必须具备的能力。

监控整个基础架构的能力

每个设备的工具提供系统状态只是一方面。有能力连接包括可视化、计算、网络和存储在内的各层才是全貌。

学习的能力

若仅分析本地系统，其价值十分有限，因为成千的同类系统的行为不能用来辅助检测和诊断正在形成的问题。相对的，全球数据收集和分析的方法可以汇集对海量的工作负载的观察。这些会训练AI来预测异常行为，而且准确性很高。

执行的能力

理想状态是自主操作，无需手动。这需要供应商的转型来实现——从反应式的操作至自动化检测并解决问题。这要求明确知道需要进行哪些变革以避免问题或改善环境，并告之IT管理员何时进行何种操作。

预测及预防问题远远不止是应对问题或迁移至闪存这么简单，不可靠的基础架构会使公司搜寻的数字化业务战略的边界变得模糊。关键是要消除中断和经常要求的手动干预。预测性闪存满足了业务的需求：在整个架构中预测并预防问题，保障理想的性能和有效资源。可视化会为您的组织创建数字化业务战略。