Paradójicamente, la administración del centro de datos hasta la fecha no ha involucrado realmente los datos. El mantenimiento se basa en cronogramas arbitrarios, vistos y realizados poco a poco a nivel de equipo e implica intervención humana, es decir, la introducción de errores. En el mercado de centros de datos, hemos llegado al punto en que la redundancia solo conduce a la degradación. Comprender el punto de falla es difícil de alcanzar porque la falla en realidad no llega a suceder. Llegar al análisis predictivo requiere infraestructura de datos y un enfoque sistémico.
En esto están trabajando Schneider Electric y Compass Datacenters. Estamos considerando el centro de datos como un todo, como un sistema complejo, no como activos individuales. Los análisis individuales son abrumadores y no muestran causa y efecto. Digamos que el equipo falla, por ejemplo. ¿Cuál es entonces el impacto en el UPS? ¿O cómo afecta el ajuste de la temperatura ambiente al rendimiento de la infraestructura eléctrica?
En otras palabras, ¿cuál es el efecto en cascada de cualquier falla? Es incognoscible a menos que se considere todo el sistema. Estamos creando modelos de activos basados en la experiencia del dominio, pero como un sistema. Los datos colectivos impulsarán la previsibilidad. Conectaremos tantos puntos de datos como sea posible, y esta infraestructura de datos permitirá la acumulación de datos para construir modelos basados en reglas.
Infraestructura de datos primero
La falta actual de infraestructura de datos significa que no hay suficientes datos para construir aprendizaje automático de alto rendimiento. Sin embargo, este es el precursor de la IA. La conversación de IA tiende a dejarse llevar. La IA en los centros de datos realmente no existe en esta etapa. Primero tenemos que trabajar en lo básico para ofrecer análisis avanzados.
La creación de infraestructura de datos comienza con la nube. Luego viene la instrumentación y la garantía de que la telemetría esté en su lugar para que el centro de datos agregue la mayor cantidad de datos posible. El resultado será esencialmente, un registro de todos los activos en un solo lugar. Un modelo de activos coherente en todo el sistema proporcionará análisis de mayor valor, y eso nos permitirá controlar mejor el contexto para obtener información.
La seguridad siempre es una pregunta cuando se trata de datos. Pero no podemos dejar que sea un obstáculo. Por supuesto, el equipo de Schneider Electric ha sido sometido a pruebas cibernéticas a nivel del suelo. Sin embargo, un enfoque más amplio para construir una infraestructura de datos segura debe estar en torno a las personas y los procesos porque la mayor parte de la vulnerabilidad recae en estas áreas.
El dilema de la redundancia
Los centros de datos implican una gran cantidad de equipos que a menudo son redundantes, y a veces hasta triplicados. Eso significa que nunca falla realmente. A medida que el negocio de los centros de datos envejece y continúa expandiéndose al mismo tiempo, la redundancia se convertirá en un problema que solo los analistas pueden abordar. En teoría, estamos hablando del concepto de modos de falla y análisis de efectos (FMEA).
Este es un enfoque que se ha utilizado en el sector aeroespacial durante años. Básicamente analiza cada componente dentro del sistema y analiza qué impacto tendría en un modo de falla particular en el sistema y cuál sería el efecto en el sistema en general.
Solo un par de puntos en cualquier sistema son realmente críticos. No es que otras partes no sean importantes, pero algunas cosas pueden fallar y no afectar el rendimiento general del sistema. Esta es una idea novedosa para los centros de datos y es exactamente lo que estamos haciendo ahora.
En la administración del centro de datos, necesitamos la capacidad de usar datos en vivo del centro de datos para comprender cómo se desempeñan los activos individuales dentro de un sistema. Después, volveremos a hacer una clasificación y crearemos una jerarquía de riesgos dentro del sistema contra el potencial general de falla.
En la mayoría de las aplicaciones analíticas industriales, hay espacio para fallar y es posible que nunca se llegue a ver. Todo lo que es evidente es la degradación del rendimiento. La redundancia oscurece el desempeño de los activos debajo. Los datos contarán la historia completa y reducirán la redundancia y, por lo tanto, el gasto de capital.
Los beneficios de la analítica predictiva
Más allá de reducir los costos iniciales y la inversión a más largo plazo, los análisis también disminuirán las fallas y las intervenciones. Proporcionarán visibilidad y mejorarán el rendimiento de los activos para un mayor tiempo de actividad y un tiempo más largo entre fallas. En última instancia, el riesgo será menor y se optimizará el ciclo de vida al aplicar la gestión de activos basada en datos, es decir, análisis predictivo.
El objetivo más amplio es replicar en múltiples ubicaciones y geografías. El valor total radica en comparar los entornos de misión crítica entre sí para obtener evaluaciones comparativas, ese es el objetivo final. Cuanto mayor sea el volumen de datos, mejor lo conseguiremos.
Por Wendi Runyon, vicepresidenta de estrategia y desarrollo de negocios en Schneider Electric