SPHERA

SPHERA (Systems Prediction and Health Rate Analisys) è la soluzione di intelligenza artificiale proposta da Project Consulting per la manutenzione predittiva e l’ottimizzazione delle risorse dei data center.  SPHERA utilizza i sistemi di monitoraggio corrente per raccogliere i dati provenienti da agent e sensori collocati nel data center.

Descrizione

Utilizzando una tecnologia mista basata su algoritmi di analytics, machine learning e deep learning, SPHERA analizza tutti i dati acquisiti dai sistemi di monitoraggio al fine di estrarre le informazioni necessarie per ottimizzare i processi di manutenzione dei sistemi ed il consumo energetico.

La pipeline di funzionamento è indicata nello schema seguente:

I dati vengono forniti dai sistemi di monitoraggio. In particolare, vengono acquisiti i dati relativi alle anagrafiche, al funzionamento, ai consumi e agli eventi. Segue una prima fase di analisi che serve al preprocessamento di tutti i dati, al fine di verificarne l’integrità, la correttezza semantica e la robustezza. La fase successiva si occupa di trovare se esistono correlazioni tra eventi, parametri dei sistemi e consumi. Questa fase prevede l’uso di algoritmi di AI supervised e unsupervised, cercando di utilizzare al meglio tutte le informazioni disponibili storiche e attuali. L’obiettivo di questa fase di analisi è quella di classificare e clusterizzare i dati al fine di ottenere i migliori data set per il training degli algoritmi di machine learning che verranno utilizzati nella fase successiva. Un volta individuati i dataset rappresentativi del funzionamento del data center, essi vengono dati in input ad un algoritmo di machine learning al fine di auto-apprendere anomalie, malfunzionamenti, ottimizzazioni. Una volta allenato il sistema sarà in grado di proporre in modo autonomo ed automatico la predizione dei valori dei parametri secondo un ordine di priorità, legata all’urgenza e alla correlazione con altri parametri o ad altri fattori di peso emersi dall’”analisi intelligente”.

Questa modalità di funzionamento rende particolarmente efficace l’uso dei sistemi di monitoraggio esistenti.

Caratteristiche esclusive di SPHERA :

  • Misura dinamica della correlazione degli eventi e dei parametri all’interno dello stesso apparato/sistema e tra apparati/sistemi diversi
  • Predizione dei singoli parametri basata non solo sul loro storico ma tenendo conto delle correlazioni (individuate autonomamente dal motore di machine learning).
  • Disponibilità di un elenco di azioni prioritarie sulla base dell’effettivo funzionamento del data center (proposte in modo automatico dal motore di machine learning).
  • Misura della qualità del funzionamento di sistemi e sottosistemi e loro stima futura sulla base della clusterizzazione dinamica prodotta dagli algoritmi di AI
  • Misura della variazione della qualità della manutenzione corrente sulla base delle azioni effettuate in base alle predizioni.
  • Misura del consumo energetico corrente e sua predizione.
  • L’uso sistematico di tecniche miste di AI consente di ridurre al minimo i tempi di apprendimento del motore di machine learning, senza perdere in qualità e accuratezza delle stime predittive.
  • A fronte della gestione complessa dei big-data proveniente dai sistemi di monitoraggio e della loro analisi con gli algoritmi di AI, la soluzione produce una informazione semplice ed intuitiva tramite la visualizzazione di priorità dinamiche individuate autonomamente dal motore di machine learning. Una volta acquisita questa conoscenza sarà possibile navigare tra apparati e sistemi utilizzando i sistemi di monitoraggio corrente. SPHERA non introduce GUI complesse e non richiede dunque costi di formazione aggiuntivi.
  • Per poter operare SPHERA necessita solamente di avere accesso al canale di output dei dati del sistema di monitoraggio corrente.
  • Su esplicita richiesta del cliente il sistema SPHERA può essere utilizzato per fare transfer learning su dati sintetici appositamente creati da PJC per la simulazione predittiva. Questo è un punto particolarmente efficace quando si vogliono simulare particolari condizioni di funzionamento all’interno del data center che non sono mai avvenute, ad esempio per predire le conseguenze di una failure oppure di un picco di carico di lavoro. In tal senso SPHERA può divenire un importante strumento per la pianificazione di espansioni future del data center o di sue repliche.
  • Valorizzazione dell’uso dei sistemi di monitoraggio corrente, con conseguente valorizzazione dell’asset.