En række vigtige digitale tjenester – herunder streamingtjenesten med latterligt store kataloger af videoindhold, eller datatjenesten, der leverer oplysninger om dens analyser – udnytter flere afhængige systemer eller maskiner, der opfører sig som klynger under paraplyen for distribueret computing. Men med denne evne kommer omkostninger – distribuerede systemer er ressourcebegrænsende eller simpelthen overengineered – de kan faktisk være ekstremt ineffektive. Machine learning er ikke bare et fancy buzzword; machine learning er et nyttigt værktøj til at forudsige efterspørgsel, forbedre eksisterende forretningsprocesser og i sidste ende udvikle distribuerede systemer, der ikke kun fungerer, men arbejder. The Data Deluge: Too Much Information, Too Little Time Data oversvømmelse: For meget information, for lidt tid I løbet af det sidste årti er mængden af digitale data, vi genererer, steget dramatisk. Hver dag genererer vi over 2,5 quintillion bytes data! Vi kan ikke længere analysere, lagre eller forstå data på samme måde, som vi plejede at bruge eller på denne skala. At tænke, arbejde og forstå dataene på denne størrelse og struktur præsenterer os med en række tekniske problemer, vi skal overveje på lang sigt, og vi skal udvikle løsninger, der giver os mulighed for aktivt at udnytte det til at træne vores modeller. Arbejde inden for distribuerede systemer komplicerer vores forsøg på at relatere; ikke kun har vi størrelsen af data at relatere til, men vi relaterer også til et distribueret billede - med organisationer af flere maskiner eller garantier, flere websteder, flere brugerbelastninger og komplekse systembruger Breaking Down Data Silos Nedbrydning af data silos Data silos, hvor data holdes i et eller andet system, der styrer, hvad det ene system kan eller ikke kan gøre uden for det system. Data point fra alle kilder kan helt sikkert holde meget inkonsekvente baseline kvalitet eller produktforskelle. Denne type data udfordrer ofte konventionelle enkeltmaskineindlæringstilgange. En måde at tænke på disse data på ville være gennem distribueret maskinindlæring. Forestil dig at formidle viden til en gruppe af studerende - eller potentielt mange - i et klasseværelse, i modsætning til hver elev en ad gangen. Smarter Data Centers: Intelligent Decisions Drive Sustainability Datacentre er en afgørende del af den forbundne verden, der giver mulighed for en stigning i den globale adgang til applikationer og tjenester gennem øget ressource- og energiforbrug. Historisk set har driftsledelse ført til et fokus på driftstid, og vi ser nu et skifte til en mere bæredygtig model for driftsledelse. Edge computing – som ved definition er behandling tættere på skabelsens kant – præsenterer en større mulighed for effektivitet mellem ressourceudnyttelse, optimering og modstandsdygtighed / bæredygtighed. Edge computing gør det muligt at behandle og fortolke data på kanten, tættere på skabelsespunktet, så det ikke behøver at flytte så meget data til cloud datacentre, hvilket reducerer relaterede energi- og latencyomkostninger. Optimizing Resource Allocation Optimering af ressourcefordeling ML-modeller kan forudsige arbejdsbelastninger, der vil være nødvendige for CPU-bearbejdning; desuden kan de anbefale placeringer af arbejdsbelastninger for at minimere energiforbrug og optimere den samlede udnyttelse - i stedet for at operere under betingelser for "blindhed" og tilføje ekstra ressourcer unødigt, alt i CPU-bearbejdning.Desuden kan modeller for eksempel korrekt analysere historiske data relateret til CPU-udnyttelse og temperaturprofiler, baseret på forudsigelser om brug for termiske belastningsbehov. Final Thoughts: From Science Fiction to Engineering Reality Endelige tanker: Fra science fiction til ingeniørvirkelighed Vi havde engang kun forestillet os, at disse ting ville ske – i science fiction. Fremtiden er faktisk nu; maskinlæring og gigabit distribueret computing er virkelige. Maskinindlæring er mere end blot effektivitet. Faktisk ændrer maskinindlæring, hvordan vi tænker på computing. Maskinindlæring bringer distribuerede systemer større hastighed, intelligens og eftertænksomhed. Intelligensdimensionen vil være afgørende for, hvem der vil trives eller kæmpe, når vi begynder at opbygge digitale økosystemer, der har forskellige intelligente, flerdimensionelle elementer. Fremtiden sker – nu, i nuet.
