如今，数据中心行业和IT管理正面临一些重大的变化。其中最重要的是劳动力不足，这一趋势始于2011年，预计将持续到2030年。与此同时，物联网（IoT）的应用日益广泛。据专家预测，2017年物联网设备达到64亿台，在未来几年内其数量跃升至当前的两倍多。
　　
　　这两个主题似乎没有关联，但现在看起来其联系更加紧密。
　　
　　劳动力人口统计数据的变化正在挑战数据中心运营商，很多公司甚至雇佣退伍军人代替专业技术人士，但由于缺乏必要的知识和经验而导致出现问题。这是影响大多数行业保证需要业务发展的障碍，而在高技能行业（如IT和关键基础设施）中尤其如此。
　　
　　另一方面，物联网的发展正在引领新的数据中心和网络架构的发展进程，需要更多的边缘设施。随着对边缘设施的需求不断增加，人们对分布式数据中心管理的需求也在不断增加。机器学习可以使数据中心有机会采用更有效的方法进行基础设施管理，提供自动化操作、预测性警报和主动服务。
　　
　　通过机器学习，数据中心可以识别运营趋势（正常和异常），并实施基础设施系统的自动化管理，例如电力和冷却。通过主动识别提高效率的机会，机器学习可以帮助系统学会在触发时自动适应，从而可能无需现场技术人员进行调整。
　　
　　虽然采用并不能总是自动解决问题，但机器学习也可以帮助技术人员开展日常工作。通过识别模式和趋势，机器学习还提供了将技术人员的服务方法从被动转变为主动的机会。通过使用预测性警报，技术人员可以在问题出现之前进行处理和维护，最大限度地减少员工的紧急服务。更重要的是，技术人员可以提前获得趋势和全面的知识库（通过移动应用程序），能够及时确定问题和解决方案。
　　
　　在很多案例中，机器学习和人工智能（AI）有可能最大限度地减少对现场技术人员的需求，并通过对运营趋势、最佳实践程序和解决方案的见解帮助新员工。但是，获得这些好处需要大量数据和行业领域专业知识两个关键组件。为了利用这些可能性，基础设施管理必须拥有适当的流程来捕获和分析基础设施数据。更好的是，IT专业人员可以通过更多的数据来增强机器学习能力。数据中心运营商聚集、匿名化和分析来自世界各地的各种数据，可以获得更多的专业知识。
　　
　　很明显，IT、冷却和电力行业专家的退休以及数据爆炸和边缘网络的趋势都没有放缓。幸运的是，机器学习成为了数据中心管理能够跟上这两种趋势发展的方式之一。
　　
　　编辑：Harris