บริการดิจิตอลที่สําคัญต่าง ๆ - รวมถึงบริการสตรีมมิ่งที่มีแคตตาล็อกขนาดใหญ่ของเนื้อหาวิดีโอหรือบริการข้อมูลที่ให้ข้อมูลเกี่ยวกับการวิเคราะห์ของมัน - ใช้ประโยชน์จากระบบที่พึ่งพาหลายระบบหรือเครื่องจักรที่พฤติกรรมเป็นกลุ่มภายใต้ฝาครอบของการคํานวณแบบกระจายได้ ไม่มีข้อสงสัยว่าระบบกระจายเป็นผู้เปลี่ยนแปลงเกม พวกเขาให้เราวิธีการตอบสนองและในความเป็นจริงให้เราวิธีปรับปรุงความสามารถของเราตามความคืบหน้าของเทคโนโลยีพยายามที่จะสอดคล้องกับความต้องการที่เพิ่มขึ้นอย่างมากของระบบนิเวศวิทยาที่ซับซ้อนมากขึ้น อย่างไรก็ตามความสามารถที่มาพร้อมกับค่าใช้จ่าย - ระบบกระจายตัวเป็นทรัพยากรหน่วงหรือเพียงแค่การออกแบบเกินไป - พวกเขาสามารถในความเป็นจริงไม่มีประสิทธิภาพอย่างมาก ดังนั้นจึงมีวิธีที่จะวิศวกรรมระบบที่สมาร์ทมากขึ้นมีประสิทธิภาพมากขึ้นและไม่สามารถเปลี่ยนแปลงได้ในแง่ของเวลาการจัดส่งที่แท้จริงหรือไม่ นี่คือสถานที่ที่การเรียนรู้เครื่องเข้า การเรียนรู้เครื่องไม่ใช่แค่คําพูดที่ยอดเยี่ยม; การเรียนรู้เครื่องเป็นเครื่องมือที่มีประโยชน์ในการคาดการณ์ความต้องการปรับปรุงกระบวนการทางธุรกิจที่มีอยู่และในที่สุดพัฒนาระบบกระจายซึ่งไม่เพียง แต่ทํางาน แต่ทํางาน The Data Deluge: Too Much Information, Too Little Time น้ําท่วมข้อมูล: ข้อมูลมากเกินไปเวลาน้อยเกินไป ในช่วงทศวรรษที่ผ่านมาปริมาณข้อมูลดิจิตอลที่เราสร้างได้เพิ่มขึ้นอย่างมาก ทุกวันเราสร้างข้อมูลมากกว่า 2.5 quintillion บิต! เราไม่สามารถวิเคราะห์จัดเก็บหรือเข้าใจข้อมูลได้อีกต่อไปในลักษณะเดียวกันกับหรือในขนาดนี้ การคิดการทํางานและการเข้าใจข้อมูลในขนาดและโครงสร้างนี้นําเสนอปัญหาทางเทคนิคมากมายที่เราต้องพิจารณาในระยะยาวและเราควรพัฒนาโซลูชั่นที่ช่วยให้เราสามารถใช้ข้อมูลนี้เพื่อฝึกอบรมรูปแบบของเรา การทํางานภายในระบบกระจายได้ซับซ้อนความพยายามของเราในการเชื่อมโยง; ไม่เพียง แต่เรามีขนาดของข้อมูลที่จะเกี่ยวข้องกับ แต่เรายังเกี่ยวข้องกับภาพกระจายเช่นกัน - ด้วยองค์กรของเครื่องหลายเครื่องหรือการรับประกันเว็บไซต์หลายเว็บไซต์โหลดผู้ใช้หลายคนและโหลดผู้ใช้ระบบที่ซับซ้อนที่เกี่ยวข้องกับการโต้ตอบของพวกเขา Breaking Down Data Silos การทําลายข้อมูล Silos ซิโลข้อมูลซึ่งข้อมูลจะถูกเก็บไว้ในระบบหนึ่งหรือระบบอื่น ๆ ที่ควบคุมสิ่งที่ระบบหนึ่งสามารถหรือไม่สามารถทํานอกระบบได้ จุดข้อมูลจากแหล่งข้อมูลทั้งหมดอาจมีคุณภาพฐานหรือความแตกต่างของผลิตภัณฑ์ที่ไม่สอดคล้องกันมาก ความกดดันต่อวิธีการวิเคราะห์ (แบบดั้งเดิม) จะนําเสนอความท้าทายอย่างมากต่อแพลตฟอร์มการวิเคราะห์ข้อมูลและความพยายามของคุณซึ่งในที่สุดจะนําไปสู่การบังคับให้คุณเข้าสู่ความเสี่ยงที่อาจเกิดขึ้นในการให้แน่ใจว่าข้อมูล 'ดี' หรือดีเท่านั้นจะเข้าถึง! ข้อมูลประเภทนี้มักจะท้าทายวิธีการเรียนรู้เครื่องเดียวแบบดั้งเดิม วิธีหนึ่งในการคิดเกี่ยวกับข้อมูลนี้จะเป็นผ่านการเรียนรู้เครื่องแบบกระจายได้ ลองจินตนาการให้ความรู้แก่กลุ่มนักเรียนหนึ่ง – หรืออาจเป็นจํานวนมาก – ในห้องเรียนเมื่อเทียบกับแต่ละนักเรียนหนึ่งครั้ง นี่อาจเป็นปัญหาที่ซับซ้อนมากขึ้น แต่ก็คุ้มค่าที่จะพิจารณา Smarter Data Centers: Intelligent Decisions Drive Sustainability ศูนย์ข้อมูลเป็นองค์ประกอบที่สําคัญของโลกที่เชื่อมต่อซึ่งช่วยเพิ่มการเข้าถึงแอปพลิเคชันและบริการทั่วโลกผ่านการบริโภคทรัพยากรและพลังงานที่เพิ่มขึ้น ในทางประวัติศาสตร์การจัดการการดําเนินงานได้นําไปสู่การมุ่งเน้นไปที่เวลาทํางานและตอนนี้เราเห็นการเปลี่ยนแปลงไปสู่รูปแบบการจัดการการดําเนินงานที่ยั่งยืนมากขึ้น การคํานวณขอบเขต - ซึ่งโดยกําหนดคือการประมวลผลที่ใกล้เคียงกับขอบเขตของการสร้าง - แสดงโอกาสที่ยิ่งใหญ่ขึ้นสําหรับการเพิ่มประสิทธิภาพระหว่างการใช้ทรัพยากรการเพิ่มประสิทธิภาพและความยืดหยุ่น / ความยืดหยุ่น การคํานวณขอบเขตช่วยให้การประมวลผลและการตีความข้อมูลที่ขอบเขตใกล้เคียงกับจุดสร้างเพื่อไม่จําเป็นต้องย้ายข้อมูลจํานวนมากไปยังศูนย์ข้อมูลคลาวด์เพื่อลดต้นทุนพลังงานและความล่าช้าที่เกี่ยวข้อง Optimizing Resource Allocation การเพิ่มประสิทธิภาพการกระจายทรัพยากร นี่คือจุดที่การเรียนรู้เครื่องมีข้อได้เปรียบ! รูปแบบ ML สามารถคาดการณ์ภาระงานที่จําเป็นสําหรับการประมวลผล CPU นอกจากนี้พวกเขายังสามารถแนะนําการวางภาระงานเพื่อลดการใช้พลังงานและเพิ่มประสิทธิภาพการใช้งานโดยรวม - แทนที่จะทํางานภายใต้เงื่อนไขของ 'มืด' และเพิ่มทรัพยากรเพิ่มเติมอย่างไม่จําเป็นทั้งหมดในการประมวลผล CPU นอกจากนี้ตัวอย่างเช่นรุ่นสามารถวิเคราะห์ข้อมูลประวัติศาสตร์ที่เกี่ยวข้องกับการใช้งาน CPU และโปรไฟล์อุณหภูมิตามการคาดการณ์การใช้สําหรับความต้องการของภาระความร้อน นอกจากนี้ยังสามารถลดการใช้การระบายความร้อนแบบคงที่แบบดั้งเดิมและการใช้พลังงานที่มีความต้องการสูง Final Thoughts: From Science Fiction to Engineering Reality ความคิดสุดท้าย: จากความคิดทางวิทยาศาสตร์ถึงความเป็นจริงทางวิศวกรรม เราเคยจินตนาการว่าสิ่งเหล่านี้จะเกิดขึ้น - ในภาพวาดวิทยาศาสตร์ ในความเป็นจริงอนาคตคือตอนนี้; การเรียนรู้เครื่องและการคํานวณแบบกระจาย Gigabit เป็นจริง เรามีประสบการณ์ดีในการคาดเดาและครอบคลุมอัลกอริทึมกําลังเรียนรู้ปรับแต่งและเพิ่มประสิทธิภาพในเวลาจริง - ทุกที่ การเรียนรู้เครื่องเป็นไปมากกว่าเพียงการมีประสิทธิภาพ ในความเป็นจริงการเรียนรู้เครื่องจะเปลี่ยนวิธีที่เราคิดเกี่ยวกับการคํานวณ การเรียนรู้เครื่องจะนําระบบกระจายความเร็วความเข้าใจและความคิดที่ดีขึ้น มิติของความเข้าใจจะเป็นปัจจัยที่กําหนดว่าใครจะเติบโตหรือต่อสู้เมื่อเราเริ่มสร้างระบบนิเวศทางดิจิตอลที่มีองค์ประกอบที่ชาญฉลาดหลายมิติที่แตกต่างกัน สิ่งที่เกิดขึ้นในอนาคต - ตอนนี้ในปัจจุบัน ประเมินหนึ่งครั้ง
