人们如何应对自主管理数据中心,应对自主数据中心

人们如何应对自主管理数据中心,应对自主数据中心

自主管理数据中心(有时称为自驱动数据中心)正在吸引IT各方的兴趣。大型企业发现自动化可以增加利润的潜力,规模较小的创业公司将其目标设定为自动化,以便更容易地进行竞争。

无论其好坏与否,IT世界显然已经接受了自动化技术。鉴于人工智能、工业机器人和设备互连性的巨大进步,在人们日常生活中看到和用到自动化技术只是一个时间问题。在某些方面已经达到了这一点。

图片 1

自动化时代已经到来。尽管目前还没有一个数据中心实现完全自动化,但许多公司都对此产生了更多的兴趣。目前在市场上推出了各种自动化系统和服务。

  • 调度和监控:组织可以使用当前的技术轻松自动执行日程和时间轴任务。
  • 法规遵从:许多系统提供自动化措施以确保符合所有适用的标准、程序和指南。
  • 软件和硬件升级:数据中心的内部软件和硬件(提供其大部分功能)通常通过自主协议进行维护、修补和更新。
  • 设备配置:许多数据中心使用自动化系统监视服务器节点及其配置。

这些自动化系统是有用的,它们仅仅标志着全面数据中心自动化的开始。

有人会问,自主管理数据中心将在什么时候成为主流?自主管理数据中心何时会通用?其回答是:很快。

IT部门以及任何严重依赖IT的行业都在向更加自动化的方向发展。例如工业机器人技术的现代化生产线,自动化客户服务台和虚拟聊天机器人,都在为终端用户提供技术支持。

现代数据中心并不是为了方便或减少人力成本而使用自动化技术,而是出于自身需要而使用的。鉴于信息技术的快速发展,数据中心不可能采用所有创新。

作为一种解决方案,许多人正在通过不同的阶段适应数据中心自动化的思想。这个过程类似于自驾车:第0级描述一辆没有采用任何自动化技术的汽车,这辆汽车由人类控制车辆或设施的每一个方面。第1级的汽车具备一些基本功能(如巡航控制),虽然这种能力让车辆保持一定的速度,但是驾驶员仍然必须处理转向问题。

第2、
3级和第4级都分别提高了自动化水平。直到自动化程度最高的第5级,而对于第5级自动化的汽车来说,人类只是一名乘客。而对于数据中心来说,5级自动化可完全控制可编程人工智能驱动的机器人和自动化系统的日常操作。而从数据中心日常管理和维护工作中解脱出来的IT开发人员和组织管理人员可以更多地关注未来的创新和商业计划。

自主管理数据中心的主要优点

那些数据中心自动化的支持者强调了自主管理数据中心的诸多好处,其中包括:

  • 减少员工需求:大型组织可以通过采和自动化减少员工数量来提高盈利能力。创业公司可以使用自动化系统来填补原本没有实现的工作角色。
  • 降低成本:数据中心自动化经常引用的好处是降低了业务成本。由于工作人员数量减少,能够给其他员工分配更有意义的工作,所以降低日常成本的潜力是巨大的。
  • 减少错误:人类不可避免地会产生错误。即使是最熟练和最勤奋的员工也会犯错误。错误可能会对组织的业务造成很大的损失。自动化系统只会在被错误地编程时犯错误,而百分之百准确的编程每一次可以完成绝对完美的任务。
  • 实时响应:熟练的工作人员定期适应新的情况和项目,但从一项任务到另一项任务的转换仍然需要一定时间。机器人和人工智能驱动的系统可以同时完成多个任务,承担新的任务,并完成操作,这比工作人员的操作要快得多。
  • 更高的数据安全性:自动安全系统可以将数据泄露或类似事件的影响降至最低。目前,人工系统需要人工响应和解决方案来解决问题,这个过程可能需要数小时,数天甚至数周。自动化系统可以立即解决这些问题,并实时工作以修复安全漏洞。

数据中心的自动化有可能以积极而持久的方式改变数据存储和处理方式。但在实现全面自动化之前需要考虑其本身的一些缺点。

需要考虑的自主管理数据中心的缺点

采用自动化的反对者有一些有效的观点,其中有些观点与支持者所概括的利益直接相反:

  • 减少就业机会:数据中心自动化的支持者指出采用自动化将减少人员需求,但这可能意味着IT专业人员在其专业领域寻找工作机会将更加艰难。对于那些试图在数据中心开展职业生涯的人来说尤其如此,因为机器人正在接管人类的许多入门级工作。
  • 降低消费者信心:尽管自动化在包括主流消费者在内的所有领域都处于领先地位,但仍然缺乏对自动化技术的信心,并且仍然是数据中心实现全面自动化的一个主要障碍。
  • 可能出现系统故障:就像技术熟练的员工必然会犯错误一样,高度复杂的机器也容易出现故障。也许有些人可能几年或几十年不会遇到严重的硬件故障。但是在发生故障之后,组织会发现最终还需要依靠工作人员的响应来使系统恢复正常运营。

正如人们所看到的,全自动数据中心的概念是一个抽象的概念。人类至少需要一段时间来监视和管理这些系统。

人们如何接受数据中心自主管理的理念

虽然IT员工(尤其是那些在数据中心工作的员工)可能担心工作量会随着自动化程度的提高而增加,但工作人员可以与自动化系统协同工作。虽然需要完成一些琐碎的任务,但是人们不要担心:编程、维护和监督方面的角色将永远由那些专注于人工智能和机器人技术的工作人员来担任。

自主管理数据中心(有时称为自驱动数据中心)正在吸引IT各方的兴趣。大型企业发现自…

有兴趣可以关注weixin公众号
[丰收笔记]
获取股市牛股最新动向,另附送免费诊股。


机器人流程自动化(RPA)和人工智能(AI)过去一直被视作相互独立的两个领域——RPA支持者认为AI不实用,而AI爱好者认为RPA太原始——但实际上二者高度互补,相当于大脑和肌肉的关系。企业能够利用RPA实现速赢,同时引进AI战略以实现长期效益和持续优化。

同时利用RPA和AI的做法对服务行业尤为适用,这里的服务行业包括银行、保险和电信等服务行业,也包括财务、人力资源和IT等企业支持性职能部门。

但是,同其他技术一样,RPA和AI并非万能,但若能将二者系统化地应用于流程及服务组织,则有助于提高产能并产生洞察。要做到这一点,企业需要制定清晰的业务目标,并确定RPA和AI在整体优化工作中扮演的角色。

另外,企业在引进这两项技术时需要制定清晰的变革管理计划,以应对这些技术对组织和运营部门以及员工带来的冲击,避免员工感受到机器人和其他变革性技术的威胁。

自动化:机器人的崛起

最近几年,RPA大获服务型企业的欢迎。通过利用该工具,企业能够用软件机器人替代过去需要人工操作的计算机活动,这些机器人能够打开电子表和数据库、在程序之间拷贝数据、比较信息资料以及执行其他日常任务。RPA最适用于基于规则的重复性流程,而这类流程遍布于多个IT系统。RPA简直就是增强型的宏技术功能。

与人类相比,这些机器人具备多项优势:全天候运行、极少犯错、接受新任务、易于监控且运行速度是人类的五倍。通常,这些机器人能够在一年内收回成本,并帮助企业节省20%-80%的开支,具体节省幅度取决于被替代的人工操作的工作量和复杂度。

RPA能够覆盖于现有IT系统之上,且安装时间短、成本低。但是,RPA的推广如果无合理规划,会导致临时解决方案泛滥,进而威胁到整个IT架构和完整性。

那么,RPA何以成为许多服务型企业的关注焦点呢?首先,供应商能够提供强大且易于操作的
“即时拖放型”
RPA软件;其次,企业的应用架构仍过于复杂,需要太多的人工操作。为简化并加速流程,许多企业部署了成百上千个软件机器人。

例如,某电信公司使用机器人将所谓的“旋转椅流程”自动化。过去,该流程需要员工在多个后台遗留系统之间反复转换,而现在机器人能够帮助核实合同条款并管理外勤服务人员。RPA在部署后的一年内能够带来高于成本一倍的回报,在第二年内能带来高于成本两至三倍的回报。

除了带来上述效益,机器人的引进也给电信公司带来了挑战:IT系统要求机器人输入员工验证码;在工会对失业问题表示担忧后,电信公司对受影响的员工重新分配工作。

RPA更大的缺陷在于软件机器人只会遵守规则,不会学习或改进。当规则与现实冲突或发生异常事件时,需要人工干预。某领先家具零售商使用RPA安排送货时间,并将多人同时预订等异常事件交由呼叫中心坐席人员处理。在处理异常事件时,机器人为坐席人员提供完整的历史订单并自动拨号,让坐席人员做好充分准备,随时与客户沟通。

尽管机器人的运行速度比人快,但远远比不上完全自动化的流程。例如,机器人需要打开并登录应用,而自动化程度更高的流程则能够通过系统层面的打通,更加快速的处理任务。

鉴于RPA的种种局限,许多企业决定探寻更具雄心的解决方案,也就是AI。

AI:当计算机学会观察、讲话和思考时

作为计算机智能化的代名词,AI的表现已达到全新的高度,并在业务流程、互动和产品中的应用日益增多。计算机能够处理语言并保留知识,进而与人类进行深入、顺畅的沟通。计算机还学会了“观察”,能够从虚拟世界走向真实世界。所有这些能力对企业未来竞争优势影响深远,而从短期来看,AI至少能够改善三类服务:

数量少时容易,但数量多时繁杂的任务。其中一个例子就是非结构化数据分类,包括从发票中提取信息。来件转发以及姓名地址核对也属于该类任务。

人类无法轻易完成的任务。该类任务包括信用评分、欺诈检测和高频算法证券交易。人类在处理该类任务以及对待特殊情况时依赖于规则,并需要完成一系列繁琐的流程,而这个过程极其缓慢。例如,银行在阻止潜在欺诈性交易时需要快速做决策,而等到人做完决策,交易也许早已受理完成。而机器则不同,其行动速度以微秒计算,且能够通过处理不断膨胀的信息量进行持续学习和改善。

需要人类互动和/或专业知识的任务。该类任务包括客服中心与客户的沟通,以及为客户提供法律建议等。例如,通过遵循一系列规则,或通过观察进而替代人类律师的研究、合规和简单的咨询工作,机器能够监测客户的合规情况。

上述分类并非完美,因为机器的“思考”方式不同于人类,导致前两类任务——代表大多数工作——之间的界限很模糊,但该分类能够为企业服务中的AI应用奠定基础。

许多企业面临AI挑战。通过处理越来越多的数据,机器能够进行归纳性学习,但这种学习过程不会自发进行,而是需要人类对算法进行训练。企业在缺乏AI能力的情况下,通常会求助于供应商,而供应商有时候会过度推销自己的AI产品,最终导致企业的AI试点项目失败(参阅MIT斯隆管理评论2017年发布的报告《人工智能重塑企业:弥合目标与行动之间的差距》)。

为克服该挑战,某大型保险公司从供应商之外寻求建议,从而了解哪些自动化和AI项目最具有潜力。该公司评估了劳动力和理赔成本、欺诈或超额索赔案件识别能力以及处理该索赔案件对客户关系的影响,同时也明确了运营和IT需求,尤其是新旧系统契合度,并分析了从传统基于规则的方法到先进AI算法的一系列解决方案。

最终,该保险公司决定成立一支内部AI专家团队,负责为某些领域开发透明的算法学习解决方案,而放弃更先进的深度学习方案。该公司表示,对许多其他领域而言,传统的规则驱动型自动化就已足够。

发表评论

电子邮件地址不会被公开。 必填项已用*标注