数据中心和IT管理目前正面临着一些重大的行业变革。其中最重要的是劳动力的转移和变化。如今，每天约有10,000人在IT行业退休。这一趋势始于2011年，预计将持续到2030年。这是随着物联网(IoT)的广泛应用和发展而发生的。时期。2017年全球有64亿台物联网设备，专家预测未来几年这一数字将增加一倍以上。数据中心管理和劳动力的主题可能看起来不相关，但实际上它们似乎联系得更紧密。由于劳动力人口结构的变化，一些组织甚至招募退伍军人来取代行业退伍军人，当这些退休人员离开时，组织将经历知识和经验短缺。这将对大多数行业的发展产生影响，尤其是IT和关键基础设施等高技能行业。另一方面，物联网的发展正在引发新的数据中心和网络架构的变革和发展。随着对边缘位置的需求不断增加，对分布式数据中心管理的需求也在不断增加。机器学习让数据中心运营商有机会采用更高效的基础设施管理方法，提供自动化操作、预测性警报和主动服务。通过机器学习，数据中心可以识别正常或异常的运行趋势，并实现基础设施系统的自动化管理，例如电力和冷却。通过采用主动识别措施来提高效率，机器学习可以帮助其系统学会在触发时自动适应，从而有可能消除现场技术人员进行调整的需要。虽然使用先进技术可能无法自动解决问题，但机器学习也可以帮助技术人员完成日常任务。通过识别模式和趋势，机器学习还提供了将技术人员的服务方法从被动转变为主动的机会。通过使用预测警报，技术人员可以在问题出现之前处理维护，从而最大限度地减少需要向用户派遣员工的紧急服务电话。更重要的是，通过移动应用，技术人员可以提前获得趋势和全面的知识库，这在发现问题和解决方案方面具有一定的优势。在上面的例子中，机器学习和人工智能(AI)有可能最大限度地减少对现场技术人员的需求，并帮助新员工深入了解运营趋势、最佳实践程序和解决方案。然而，获得这些好处需要两个关键组成部分，即大量数据和领域专业知识。为了利用这些可能性，基础设施管理必须有适当的流程来捕获和分析基础设施数据。更好的是，IT专业人员可以使用更强大的数据来增强机器学习能力。数据中心运营商可以聚合、匿名化和分析来自世界各地各种部署的数据，提供行业所需的知识，而不是任何一个特定位置。显然，IT、冷却和电力等领域专家的退休，以及数据爆炸和边缘网络趋势并没有放缓。幸运的是，机器学习只是数据中心管理跟上这两种趋势的方式之一。
