Værdien af tilgængelige data er blevet tydelig på alle mulige niveauer i forbindelse med Corona-pandemien.
Det er dog en uønsket omvej til at opnå indsigt for alle – både dem, der arbejder med at styre og forhindre spredningen baseret på datatilgængelighed, virksomheder, der hurtigt skal omstille deres forretning til online snarere end i butikker, og for dem, der har haft og fortsat har en stor del af deres organisation til at arbejde hjemmefra.
I det aktuelle scenarie er det ikke nok at rette fejl så hurtigt som muligt efter at de er blevet opdaget – da kan det allerede være for sent. Lagring og computersystemer har brug for kapaciteten til at agere baseret på automatisering. Automatisering hvor teknologien lærer over tid og kan levere forudsigelser baseret på både interne og eksterne faktorer, der kan påvirke trafikken.
Kunstig intelligens (AI) er den teknologi, der skal anvendes for at opnå forudsigelig vedligeholdelse for alle systemer, og det er ikke anderledes for storagesystemer. Med en kombination af dataanalyse og maskinlæring kan kunstig intelligens proaktivt registrere problemerne granulært, før de påvirker brugerne – både i udviklingsfasen og efter installationen. AI gør det også lettere at forudsige og planlægge fremtidige storagebehov end ved manuel analyse.
Teknologien bruger data fra operatørens installationsbase til at lære og opdage tekniske problemer og flaskehalse, inden de påvirker virksomheden. Systemet analyserer problemer, der allerede er opstået til at identificere mønstre og bruger derefter disse mønstre til at forudsige lignende tilfælde i fremtiden. Der har naturligvis også været overvågningssystemer i fortiden, men disse kunne kun registrere forventede og planlagte afvigelser og mønstre, som udviklerne vidste på forhånd og kodede med deres viden.
Et AI-baseret system er mere fleksibelt, lærer kontinuerligt og kan også identificere nye typer af problemer, som det ikke var specifikt programmeret til. Dette gør software med AI-kapaciteter meget mere effektiv og nøjagtig til at identificere problemer og yderligere kapacitetskrav, før de opstår.
Løsningerne har også evnen til at identificere afvigelser ved at analysere IO-profilen for hvert datasæt og kigge efter anomalier. Ofte skyldes datalagringsproblemer ikke af selve lagringssystemet, men for eksempel netværket eller specifikke systemer, og hvordan de interagerer. Faktisk er årsagerne ofte universelle og kræver ringe eller ingen specifik analyse for at opdage. Systemet er optimeret med viden fra både ens egen organisation og viden fra analyser i lignende miljøer, hvilket betyder, at AI-færdigheder ikke kræver at man genopfinder hjulet.
AI er og bliver fortsat endnu mere central for alle, der har brug for storage- og datasystemer til moderne virksomheder hvor informationen skal generere en umiddelbar fordel. Dette gælder både at være i stand til at møde og reagere på ændringer i lagringskapacitet og vedligeholdelse, og for at kunne sikre vedligehold der modsvarer kapaciteten.
Uden datalagring ingen AI (den skal jo lære), uden AI ingen storageløsning der er værd at nævne.