Eine Vielzahl wichtiger digitaler Dienste – darunter der Streaming-Dienst mit lächerlich großen Katalogen von Videoinhalten oder der Datendienst, der Informationen über seine Analysen liefert – nutzen mehrere abhängige Systeme oder Maschinen, die sich unter dem Dach des verteilten Computers als Clusters verhalten. Mit dieser Fähigkeit kommt jedoch ein Aufwand – verteilte Systeme sind Ressourcengehäuse oder einfach nur überkonstruiert – sie können in der Tat äußerst ineffizient sein. Machine learning ist nicht nur ein fancy buzzword; maschinelles lernen ist ein nützliches tool, um die nachfrage zu prognostizieren, bestehende geschäftsprozesse zu verbessern und schließlich verteilte systeme zu entwickeln, die nicht nur funktionieren, sondern funktionieren. The Data Deluge: Too Much Information, Too Little Time Die Datenflut: Zu viele Informationen, zu wenig Zeit In den letzten zehn Jahren hat sich die Menge an digitalen Daten, die wir erzeugen, dramatisch erhöht. Jeden Tag erzeugen wir über 2,5 Quintillion Bytes Daten! Wir können Daten nicht mehr auf die gleiche Weise analysieren, speichern oder verstehen, wie wir sie früher verwendet haben oder auf dieser Skala. Das Denken, Arbeiten und Verständnis der Daten in dieser Größe und Struktur stellen uns eine Reihe von technischen Problemen vor, die wir langfristig berücksichtigen müssen, und wir sollten Lösungen entwickeln, die es uns ermöglichen, sie aktiv für unsere Modelle zu nutzen. Das Arbeiten innerhalb von verteilten Systemen erschwert unsere Versuche, sich zu beziehen; nicht nur haben wir die Größe der Daten zu beziehen, sondern wir beziehen uns auch auf ein verteiltes Bild – mit Organisationen von mehreren Masch Breaking Down Data Silos Brechen Sie Daten Silos Datensilos, bei denen Daten in einem oder einem anderen System gehalten werden, das regelt, was dieses System außerhalb dieses Systems tun kann oder nicht kann. Datenpunkte aus allen Quellen können sicherlich sehr inkonsistente Qualitäts- oder Produktunterschiede haben. Der Druck auf die (traditionellen) Methoden der Analyse wird erhebliche Herausforderungen für Ihre Datenanalyse-Plattform und -Anstrengungen darstellen, was letztendlich dazu führt, dass Sie sich in das potenzielle Risiko einloggen müssen, sicherzustellen, dass nur "gute" oder gute Daten zugegriffen werden! Diese Art von Daten widerspricht häufig herkömmlichen Einzelmaschinen-Lernansätzen.Eine Art, über diese Daten nachzudenken, wäre durch verteiltes Maschinelles Lernen. Stellen Sie sich vor, Wissen an eine Gruppe von Schülern – oder möglicherweise viele – in einem Klassenzimmer zu vermitteln, im Gegensatz zu jedem einzelnen Schüler auf einmal. Smarter Data Centers: Intelligent Decisions Drive Sustainability Datenzentren sind ein wichtiger Bestandteil der vernetzten Welt und ermöglichen einen weltweiten Zugang zu Anwendungen und Dienstleistungen durch einen erhöhten Ressourcen- und Energieverbrauch. Historisch hat das Betriebsmanagement zu einem Fokus auf Betriebszeit geführt, und wir sehen jetzt einen Wechsel zu einem nachhaltigeren Modell des Betriebsmanagements. Edge Computing – das per Definition die Verarbeitung näher an den Rand der Schöpfung ist – bietet eine größere Möglichkeit für Effizienz zwischen Ressourcennutzung, Optimierung und Resilienz/Nachhaltigkeit. Edge Computing ermöglicht die Verarbeitung und Interpretation von Daten am Rand, näher am Punkt der Schöpfung, so dass es nicht so viel Daten in Cloud-Datenzentren verschieben muss, wodurch die damit verbundenen Energie- und Latenzkosten reduz Optimizing Resource Allocation Optimierung der Ressourcenallokation ML-Modelle können Arbeitsbelastungen vorhersagen, die für die CPU-Verarbeitung benötigt werden; außerdem können sie Workloads empfehlen, um den Energieverbrauch zu minimieren und die Gesamtnutzung zu optimieren – anstatt unter Bedingungen der „Blindheit“ zu arbeiten und unnötig zusätzliche Ressourcen hinzuzufügen, alles in der CPU-Verarbeitung. Final Thoughts: From Science Fiction to Engineering Reality Endgedanken: Von der Science-Fiction bis zur Engineering-Realität Wir haben uns einmal nur vorgestellt, dass diese Dinge passieren würden – in der Science-Fiction.Die Zukunft ist tatsächlich jetzt; maschinelles Lernen und Gigabit-Distributed-Computing sind real.Wir sind gut erfahren, zu erraten und zu übertreffen.Algorithmen lernen, anpassen und optimieren in Echtzeit – überall. Maschinelles Lernen ist mehr als nur Effizienz. In der Tat verändert maschinelles Lernen die Art, wie wir über Computing denken. maschinelles Lernen bringt verteilten Systemen größere Geschwindigkeit, Intelligenz und Nachdenklichkeit. Die Dimension der Intelligenz wird die Bestimmung sein, wer gedeihen oder kämpfen wird, wenn wir anfangen, digitale Ökosysteme zu bauen, die verschiedene intelligente, multidimensionale Elemente haben. Die Zukunft geschieht – jetzt, in der Gegenwart.
