Das Rechenzentrum ist das Rückgrat der digitalen Revolution - auch wenn es in der öffentlichen Wahrnehmung bisher stets im Hintergrund bleibt. Doch ohne Server-Virtualisierung, billigen Speicher und immer leistungsfähigere Hardware, wären die Digitalisierung und ihre neuen Geschäftsmodelle gar nicht möglich. Jetzt ist es an der Zeit, Automatisierungskonzepte, wie sie für Industrie 4.0 und das Internet of Things (IoT) gibt, in Verbindung mit Künstlicher Intelligenz auch für die Rechenzentren anzugehen. Insbesondere in der Analyse enormer Datenmengen, die aus immer komplexer werdenden Systeme und Strukturen stammen, spielt die künstliche Intelligenz ihre Stärken aus.

BIM und Prozessautomatisierung

Der Trend zur Robotic Process Automation (RPA) muss jetzt auch das Data Center erreichen. Sie sorgt dafür, dass traditionelle Prozesse mit KI-Algorithmen neu gedacht und optimiert werden, so dass menschliche Eingriffe nur noch nötig sind, um in Ausnahmefällen zu entscheiden. Basis dafür sind Machine Learning und Deep Learning. Ganz ähnlich, wie derzeit über eine Automatisierung der Fabrik und den Digitalen Zwilling nachgedacht wird, gilt es jetzt auch im Data Center zu agieren.

Die Produktion in der Industrie 4.0 basiert darauf, dass jedes Element in ihr digital sichtbar und damit von einer zentralen Plattform aus in einem Gesamtprozess steuerbar ist. Auch die "Digitale Fabrik" fließt ein, also die digital geplante Anordnung von Maschinen und Anlagen im Gebäude. Hier gibt es eine Parallele, denn für Rechenzentren wird derzeit intensiv über BIM diskutiert. Building Information Modeling will Entwürfe von Gebäuden und die digitale RZ-Konzeption als virtuelle und vollständig begehbare 3D-Modelle darstellen. Die Diskussion sollte jedoch noch einen Schritt weiter gehen und die Verknüpfung von physischer und digitaler Welt vorantreiben.

Das selbstheilende Rechenzentrum

Auch jeder Server, jede Festplatte, jede Storage Unit und jedes Rack muss zum Ding im IoT werden, die Ausstattung mit günstigen Sensoren sicherstellen, dass sämtliche Temperaturveränderungen und Vibrationen aufgenommen werden. Erst wenn diese Daten zusammen mit Log-Daten, Ergebnissen von in Systemen platzierten Datensensoren und Erfahrungswerten in selbstlernende, tiefe neuronale Netze eingefüttert werden, können KI-Analysen das Wissen liefern, um irgendwann auf ein Verfügbarkeitslevel von 100 Prozent bei deutlich geringeren Kosten zu kommen. Zugleich lässt sich so, nach dem Vorbild der "Predictive Maintenance", Wartung flexibler steuern und Ausfälle im Vorfeld prognostizieren.

Die extrem strukturierte RZ-Umgebung ist zudem ein ideales Szenario für Robotik. So könnten künftig autonome Roboter 24/7 Hardware austauschen, bevor sie ausfällt und das Layout je nach verändertem Bedarf flexibel umstellen. Mit Hilfe intelligenter Cybersecurity-Analysen auf Netzwerk-, Nutzungs- und zahlreichen weiteren System- und Logdaten, insbesondere in deren Kombination, wird es möglich sein, Bedrohungen und Malfunctions schneller zu erkennen und automatisiert zu beantworten.

Dass mit KI eine ganz andere Ressourceneffizienz erreicht werden kann, zeigt ebenfalls ein Google-Beispiel: Mit DeepMind ließen sich in Teilen der eigenen Daten Center 40 Prozent der Kühlungsenergie sparen, insgesamt war so eine Stromeinsparung von 15 Prozent möglich.

Das Potential von KI ist immens

Bisher ist die Skepsis sowohl gegenüber den Möglichkeiten als auch den Risiken von KI (auch AI, Artificial Intelligence) groß. Doch die Autoindustrie zeigt heute schon, was möglich ist. Selbstfahrende Autos sind dank Sensorik, Radar, Lidar, Bilderkennungstechnologie, Grafikchips (GPU) und Computing-Power bereits in der Realität angekommen: Das war vor Kurzem noch reine Fiktion.

Auch in der Automobilproduktion werden Aufgaben automatisiert, die zuvor ausschließlich von Menschen erledigt werden konnten. So schauen bei einigen Autoherstellern nicht mehr spezialisierte Mitarbeiter, ob der Lack perfekt aufgetragen wurde, sondern die Technik: Dafür wird ein neuronales Netz mit Bildern gefüttert, wie der perfekte Lack aussieht und wie nicht. Roboter trainieren die Zusammenarbeit mit Menschen, lernen durch Zuschauen, welchen nächsten Handgriff sie leisten sollen, lernen im Verbund mit anderen Robotern.

Experimente von Google zeigen, dass dabei eigenständige Erkenntnisse entstehen: Bei vierzehn Robotern, die eigenständig lernten, unterschiedlich geformte Dinge aus einer Kiste zu greifen, schob ein Roboterarm einen Gegenstand zur Seite, um besser an einen anderen heranzukommen: Diese aus menschlicher Sicht natürliche Aktion hatte ihm niemand vorher einprogrammiert.

Experten sind sich sicher: Auch bisherige Produktionskonzepte nach Methoden wie Just in Time, Just in Sequence werden auf der Strecke bleiben, stattdessen evolutionäre Algorithmen ganz neue Anordnungen der Fertigungskette ersinnen. Ähnliches ist auch für die Anordnung von Assets im "Autonomous Data Center" zu erwarten.