مجموعة متنوعة من الخدمات الرقمية الأساسية - بما في ذلك هذه الخدمة التلفزيونية مع قوائم كبيرة من المحتوى الفيديو، أو هذه الخدمة البيانية التي توفر معلومات عن تحليلاتها - تستفيد من أنظمة متعددة المرتبطة أو الآلات التي تتصرف كوسائل تحت مظلة الحوسبة الموزعة. ومع ذلك، مع هذا القدرة يأتي تكلفة - أنظمة توزيع هي الموارد أو ببساطة مصممة - يمكن أن تكون، في الواقع، غير فعالة للغاية. هذا هو المكان الذي يدخل فيه التعلم الآلي. التعلم الآلي ليس مجرد كلمات مفيدة؛ التعلم الآلي هو أداة مفيدة لتوضيح الطلب، وتحسين العمليات التجارية الحالية، وفي نهاية المطاف تطوير أنظمة متصلة لا تعمل فقط، ولكن العمل. The Data Deluge: Too Much Information, Too Little Time أزمة البيانات: الكثير من المعلومات، وقت قليل جداً على مدى العقد الماضي، ارتفعت كمية البيانات الرقمية التي نأخذها بشكل كبير. كل يوم نأخذ أكثر من 2.5 كوينتاليرنغرام من البيانات! لن نتمكن من تحليل البيانات أو تخزينها أو فهمها بطريقة مماثلة أو على هذا الحجم. التفكير والعمل والتفكير في البيانات في هذا الحجم والهيكل يقدم لنا عدد من المشاكل التقنية التي يجب أن نفكر بها على المدى الطويل، ونحن بحاجة إلى تطوير الحلول التي ستسمح لنا باستخدامها بشكل فعال لتدريب نموذجنا. العمل داخل الأنظمة الموزعة يسهل محاولاتنا للاتصال؛ ليس فقط لدينا حجم البيانات التي يجب الاتصال بها، ولكن نحن نتعامل مع صورة الموزعة أيضًا - مع مؤسسات آلات متعددة أو ضمانات Breaking Down Data Silos إزالة بيانات Silo توزيع البيانات، حيث يتم الاحتفاظ بالبيانات في النظام أو النظام الآخر الذي يسيطر على ما يمكن أو لا يمكن القيام به في الخارج من هذا النظام. نقطة البيانات من جميع المصادر يمكن أن تحتوي على نوعية الأساسية غير متكافئة للغاية أو اختلافات المنتج. الضغط على طرق التحليل التقليدية سوف توفر التحديات الكبيرة على منصة تحليل البيانات الخاصة بك والجهود، مما يؤدي في النهاية إلى ضرورة تسجيل الدخول في المخاطر المحتملة لتأمين الوصول فقط إلى البيانات "الرائعة" أو الجيدة! هذا النوع من البيانات غالباً ما يواجه تحديات التعلم الآلي التقليدية. واحدة من طرق التفكير حول هذه البيانات سيكون من خلال التعلم الآلي الموزع. تخيل إرسال المعرفة إلى مجموعة واحدة من الطلاب - أو عدداً كبيراً من الطلاب - في الفصل الدراسي، بدلاً من كل طلاب واحد في وقت واحد. Smarter Data Centers: Intelligent Decisions Drive Sustainability إن مراكز البيانات هي جزءًا حيويًا من العالم المرتبط، مما يسمح بزيادة الوصول العالمي إلى التطبيقات والخدمات من خلال زيادة استهلاك الموارد واستخدام الطاقة. في الآونة الأخيرة، أدى إدارة العمليات إلى التركيز على الوقت الحقيقي، ونحن الآن نرى تغييرًا إلى نموذج إدارة العمليات أكثر استدامة. إنتاج الحواسيب الحدودية - التي من المفترض أن تتناول أكثر من الحد الأقصى للإنشاء - توفر فرصًا أكبر للتكلفة بين الاستفادة من الموارد والتحسين والتعافي. إنتاج الحواسيب الحدودية يسمح بتحويل البيانات وتفسيرها في الحد الأقصى، وأيضًا لا تحتاج إلى نقل الكثير من البيانات إلى مراكز البيانات الشمسية، وبالت Optimizing Resource Allocation تحسين توزيع الموارد هذا هو المكان الذي يلعب فيه التعلم الآلي مزيداً من المزايا!ما هي النماذج ML التي يمكن أن تنبأ بمعدلات العمل التي سيتطلبها معالجة CPU؟ بالإضافة إلى ذلك، يمكن أن يوصي بزيادة عدد المعدلات العملية لتقليل استهلاك الطاقة وتحسين الاستخدام العام - بدلاً من العمل في ظروف "الخوف" وإضافة الموارد الإضافية غير الضرورية، كل ذلك في معالجة CPU.إلا أن النماذج، على سبيل المثال، يمكن أن تحليل البيانات التاريخية المتعلقة باستخدام CPU وبيانات درجة الحرارة بشكل مناسب، بناءً على توقعات الاستخدام لمتطلبات استهلاك الحرارة. Final Thoughts: From Science Fiction to Engineering Reality الأفكار النهائية: من الخيال العلمي إلى الواقع الهندسي لقد تصورنا مرة واحدة فقط أن هذه الأمور سوف تحدث - في الفلسفة العلمية.في الواقع، هو المستقبل الآن؛ التعلم الآلي والتمثيل الموزع بالجائزة الحقيقية.ولكن لدينا تجربة جيدة في التفكير والتطوير. إن تعلم الآلة هو أكثر من مجرد كفاءة.في الواقع، تعلم الآلة يغير طريقة تفكيرنا حول الحوسبة.تعلم الآلة يأتي من خلال إنتاج أنظمة متصلة بسرعة أكبر، والتفكير، والتفكير.إلى جانب التفكير، سيكون حجم الذكاء هو المحدد من الذي سيحصل أو يقاتل عندما نبدأ في بناء أنظمة بيئية رقمية تتكون من عناصر متعددة الأبعاد الذكية المختلفة. المستقبل يحدث الآن، في الوقت الحالي.
