Effizientere Rechenzentren: Sind Roboter die Lösung?

Bis 2025 wird die Hälfte der Cloud-Rechenzentren fortschrittliche Roboter mit Funktionen der künstlichen Intelligenz (KI) einsetzen – zumindest laut Gartner. Dies würde zu einer 30 % höheren betrieblichen Effizienz führen.

Die Roboter werden vor allem bei der richtigen Dimensionierung von virtuellen Maschinen und Container-Umgebungen eingesetzt. So sorgen sie für eine effiziente Ressourcennutzung mit dem Ziel, „Cloud Waste“ zu vermeiden.

„Die Komplexität des Rechenzentrumsbetriebs wird weiter zunehmen. IT-Führungskräfte können die intelligente Automatisierung des Betriebs und der Prozesse von Cloud-Rechenzentren vorantreiben. So schaffen sie wichtige Unterscheidungsmerkmale für ihre Unternehmen, wie z. B. eine höhere Betriebszeit und die Einhaltung von SLAs für ihre Cloud-Angebote“, kommentiert Sid Nag, Research Vice President bei Gartner.

Es gibt vier Bereiche, in denen Roboter in den nächsten fünf Jahren den größten Einfluss auf die Automatisierung von Rechenzentren haben werden – physisch oder softwaremäßig. Das sind laut dem Beratungsunternehmen folgende Bereiche:

1. Server-Upgrades und -Wartung: Sobald Server ausgemustert werden, kann die Aufgabe der Außerbetriebnahme und Zerstörung von Laufwerken von Industrierobotern schneller und effizienter erledigt werden als von Menschen. Dies gilt vor allem für Unternehmen, die häufig Massen-Upgrades durchführen, zum Beispiel alle Cloud-Anbieter.
2. Überwachung: Robotersensoren liefern wesentlich detailliertere Temperaturdaten von Serverracks, ohne dass invasive physische Hardware installiert werden muss. Roboter, die zur Fernüberwachung eingesetzt werden, können auch zur Erfassung anderer Daten eingesetzt werden, z. B. Ton und Bilder, um Unregelmäßigkeiten zu erkennen.
3. Sicherheit im Rechenzentrum: Die Aufrechterhaltung einer digital und physisch sicheren Rechenzentrumseinrichtung ist für alle Rechenzentrumsunternehmen von höchster Priorität. Roboter sind in der Lage, die physische Sicherheit durch eine Reihe verschiedener Funktionen zu erhöhen. Dazu gehören menschliche Temperaturkontrollen über Wärmesensoren oder die Erkennung von Nummernschildern in Parkhäusern.
4. KI/ML im Cloud-Betrieb: In Verbindung mit Robotern ermöglicht moderne KI- und ML-gestützte Technologie die Überwachung und Verwaltung von IT-Prozessen im Rechenzentrum. Die Nutzer dieser Technologie, z. B. Site Reliability Engineers, sind in der Lage, über natürliche Sprache mit der jeweiligen Plattform zu interagieren und zu kommunizieren. Diese Plattformen können aus vergangenen Situationen lernen, um die Effizienz in zukünftigen Fällen zu verbessern.

Eine weitere Folge der Automatisierung ist eine stärkere Konzentration auf das Ausnahmemanagement innerhalb des IT-Betriebsmodells. Mit der zunehmenden Verbreitung von RPA und anderen Formen der Automatisierung werden Menschen mit analytischen und problemlösenden Fähigkeiten in der Lage sein, strategischere Tätigkeiten auszuführen und die operativen Tätigkeiten KI-gestützten Robotern zu überlassen.

Die Implementierung von RPA-Software ist nicht dasselbe wie der Aufbau vollautomatischer Plattformen und Prozesse von Grund auf. Bei einfacher RPA erledigt ein Software-Bot genau das, was ein Mensch tun würde. Dazu gehören Routineaufgaben wie das Abrufen und Eingeben von Daten, das Anklicken von Schaltflächen oder das Hoch- und Herunterladen von Dateien.

Ein wichtiger Schritt auf diesem Weg ist es jedoch, herauszufinden, welche Aufgaben automatisiert werden sollen, und dabei den ROI im Auge zu behalten.

„Sie würden wahrscheinlich keinen Prozess automatisieren wollen, der einer Person 30 Minuten pro Monat spart, aber 100 Stunden Aufwand für die Automatisierung erfordert“, überlegt Matthew Tan, UiPaths Director of Pre-Sales in Südostasien.

Da Automatisierung und künstliche Intelligenz immer weiter voranschreiten, brauchen CIOs Leute, die die Gesamtvorteile der Automatisierung einschätzen können: Hilft sie bei der Einhaltung von Service Level Agreements? Wird sie dazu beitragen, die Betriebskosten zu senken?

Aktueller Stand

Viele Betreiber von Rechenzentren nutzen bereits die Fernbeobachtung, um eine Situation zu überprüfen, bevor sie einen Menschen einsetzen. Zudem hat Covid die Reisemöglichkeiten der Mitarbeiter eingeschränkt und sie von unnötigen Besuchen abgehalten. Die Pandemie hat die Arbeitnehmer gezwungen, sich zu distanzieren oder für soziale Distanz am Arbeitsplatz zu sorgen, was in einem Rechenzentrum eine Herausforderung darstellen kann.

Mark Hamilton war für die Einrichtung des Supercomputers im Kao Data Center von Nvidia in Harlow, Großbritannien, verantwortlich – gesehen hat er ihn jedoch noch nie. „Wir haben einen dieser kleinen Telepräsenzroboter gekauft, der einen Nvidia Jetson-GPU mit Arm Cores enthält, sich auf zwei Rädern dreht und ein Tablet hat“, sagte er auf der DCD-Website.

„Dieses System ist um die halbe Welt gereist“, so Hamilton. Das Unternehmen installierte schließlich Türen, die sich automatisch öffneten, sodass der Roboter ungehindert den heißen Korridor betreten konnte.

Google hofft, in seinen Rechenzentren fortschrittlichere Systeme einsetzen zu können. Bisher ist das Unternehmen jedoch vorsichtig, was die Komplexität der Anlagen betrifft. „Wenn es um Robotik geht, sind unsere Hyperscale-Rechenzentren eher wie Lagerhäuser, und die meisten Prozesse erfordern, dass ein Roboter zu einem bestimmten Ort navigiert, um eine Aufgabe auszuführen”, sagte Joe Kava, Vice President für Rechenzentren bei Google.

Auch bei Meta (ehemals Facebook) gibt es ein Team, das sich mit der Verwaltung von Robotiklösungen zur Automatisierung und Skalierung der Infrastruktur von Rechenzentren beschäftigt. Die Handelsplattform Alibaba betreibt in fünf Rechenzentren ein noch fortschrittlicheres System. Der Tianxun-Roboter der zweiten Generation wird von künstlicher Intelligenz angetrieben und kann ohne menschliches Eingreifen arbeiten, um defekte Festplatten automatisch zu ersetzen.

Der Switch hat einen Sicherheitsroboter namens SENTRY entwickelt ­– ein völlig autonomes System, das selbstständig navigieren, seine Umgebung aufzeichnen und bewerten kann. Zudem beinhaltet es 360-Grad-Kameras, Wärmesensoren zur Überprüfung der Temperatur von Besuchern und vieles mehr.

In einem Interview, das auf der Website Data Center Frontier veröffentlicht wurde, sagte Scott Noteboom, ein Experte für Rechenzentren, dass Roboter eine vollständig optimierte Maschinenumgebung ohne die Beteiligung von Menschen schaffen können. Er hat KI-Agenten entwickelt, die auf das Geräusch von Generatoren hören und auf Anomalien hinweisen können.

Die Auswirkungen der KI sind gigantisch

Künstliche Intelligenz wird für viele Zwecke in Rechenzentren eingesetzt und ermöglicht es Spalt- und Softwarerobotern, Fehler in Anlagen zu überwachen, zu lokalisieren, zu inspizieren und zu ersetzen. Darüber hinaus können Leistungsprobleme mithilfe von Internet-of-Things-Geräten und den von ihnen gesammelten Daten leicht proaktiv behoben werden.

Darüber hinaus verwaltet eine Kapazitätsplanung die Auslastung von Strom, Computerressourcen und anderen IT-Ressourcen, um die Kundenanforderungen zu erfüllen.

Doch wie Monisha Ravi von ManageEngine in einem Beitrag auf dem Blog des Unternehmens zu Recht warnt, gibt es trotz der Tatsache, dass KI die menschlichen Bemühungen in Rechenzentren ergänzt, einige Grauzonen. Und die erfordern ständige Aufmerksamkeit: „Branchenstandards für die Überwachung von KI-Implementierungen sind notwendig, um Verstöße und kostspielige Strafen zu vermeiden und Implementierungen zu rationalisieren“, sagt sie.

Im Folgenden finden Sie einige interessante Artikel, die Monisha Ravi ausgewählt hat und in denen verschiedene Anwendungsfälle und empfohlene Verfahren für den Einsatz von Robotern und KI im Rechenzentrumsbetrieb vorgestellt werden:

1. Erforschung der Auswirkungen von KI im Rechenzentrum

Eine gute Alternative zur herkömmlichen Methode, Mitarbeiter für die Wartung und Überwachung von Rechenzentren einzustellen, ist der Einsatz von KI. Sie kann nicht nur Aufgaben wie Serveroptimierung und Gerätehandling übernehmen, sondern auch bei der Daten- und Netzwerksicherheit und der Energieeinsparung im Rechenzentrum helfen.

2. Die Rolle von Chatbots und Automatisierung bei der Optimierung von Rechenzentren

In gut ausgestatteten Rechenzentren wird KI für das Datenmanagement, das IT-Workload-Management und das Kostenmanagement eingesetzt. Mit der Einführung von Chatbots werden nun mehrere Aufgaben automatisiert, um optimierte Ergebnisse zu erzielen. Darüber hinaus können diese Bots genutzt werden, um bessere Interaktionen und Benutzererfahrungen zu bieten, die auf den Bedürfnissen der IT-Teams basieren.

3. KI im Rechenzentrumsbetrieb: Die Auswirkungen von künstlicher Intelligenz

Ein weiterer Anwendungsfall dreht sich um die Erhöhung unserer Abhängigkeit von den Dienstleistungen, die Rechenzentren anbieten. Dies wird durch den Einsatz von Prognose-Algorithmen erreicht, die Maßnahmen in Bezug auf Stromverbrauch und Latenzzeit ergreifen, um die Leistung aufrechtzuerhalten. Darüber hinaus kann jede IT-Komponente mit Hilfe von KI untersucht werden, die durch fortschrittliche Überwachung ergänzt wird.

4. Der Einfluss von KI auf Rechenzentren: KI und Leistungsüberwachung

Um die optimale Leistung zu ermitteln, bietet KI ein Verständnis für erwartete und tatsächliche Szenarien. Dies ermöglicht einen Einblick in die effektive Leistungsüberwachung, was Kosten und Energie spart. Außerdem können Teams mit Exception Reporting einen bedarfsorientierten Ansatz verfolgen und dennoch Effizienz bei der Überwachung und Wartung des Rechenzentrumsbetriebs erreichen.

5. Best Practices für die Vorbereitung von Rechenzentren auf KI, ML und DL

Bei der Skalierung der Infrastruktur für wachsende Datenanforderungen und -analysen müssen Datenwissenschaftler und IT-Administratoren eng zusammenarbeiten, um die Anforderungen für KI zu bestimmen, damit diese ein wertvoller Teil des Betriebs wird. KI wird unterstützt durch maschinelles Lernen (ML), eine Untergruppe der KI. ML stellt die Algorithmen und Techniken bereit, um den Computer zum Lernen zu bringen. Unterstützt wird es zudem durch Deep Learning (DL), das oft als Weiterentwicklung von ML bezeichnet wird. Die Festlegung von Benchmarks und Metriken bei der Bestimmung der Skalierbarkeit hilft bei der Auswahl eines Ansatzes, der für die Integration von KI in Rechenzentren geeignet ist, ohne Probleme zu verursachen.