机器学习和人工智能被吹捧为解决数据中心问题的万能药。虽然大部分都是炒作和毫无根据的乐观主义，但人工智能工具在某些领域已经是有用和实用的。这些领域包括数据中心物理安全，人工智能在三个方面发挥着重要作用：图像和声音识别、异常检测和预测分析。
图像和声音识别
图像识别是人工智能的一大成功案例，而这项技术正迅速被广泛应用于各个领域。它的近亲，声音识别也是如此。
显然，在物理安全中，图像识别最常用于面部认证。
但这不仅仅是确认某人是他们进入大楼时所说的那个人。图像识别还可以用来查明在火灾或其他紧急情况下某个房间里是否有人。它可以用来判断被检测到的运动是树枝在风中摇曳，还是入侵者试图翻越栅栏。
图像识别还可以用来识别携带枪支或其他武器的人，或者不戴口罩的人。
说到与健康相关的问题，一旦数据中心访客被诊断出患有COVID-19，图像识别就可以用来识别感染者访问过的所有位置和每个接触过的人，以便对他们进行检测。
对于具有高度特定需求的大型数据中心，有许多商业和开源图像识别算法和训练集可用。对于较小的数据中心，那些没有专门的人工智能开发团队的资源，或者那些有着非常常见问题的数据中心，供应商越来越多地在他们的安全产品中加入这些功能。
MeMooRi董事总经理詹姆斯·麦克黑尔(JaMeSMcHale)在最近的一份报告中表示：迫切需要充分利用视频监控摄像头产生的海量数据，基于人工智能的解决方案是唯一实用的解决方案。
McHale告诉DCK，视频监控摄像头产生大量的数据，人工智能是处理这些数据的唯一可行方法。
人工智能系统也可以用来分析热图像。他告诉我们，作为COVID-19流感大流行的直接后果，热相机是今年一个重要的增长领域。
如今，许多热像机都只是热信息，但客户越来越多地寻找一种能同时采集热图像和传统图像并应用神经网络算法进行处理的系统。
但他补充说，人们普遍缺乏对如何将这项技术用于大流行控制的理解。此外，这一流行病正在对一些经济部门产生负面影响，影响支出，并改变公司购买技术的方式。
他说：客户将要求从他们的投资中获得更多的价值，而不太愿意承担前期资本支出。这使得作为服务的访问控制和作为服务的视频监控变得更具吸引力。
异常检测
机器学习的另一个非常常见和实用的用途是用于异常检测。系统根据数据基线进行训练，识别常见模式，然后寻找不符合这些模式的异常事件。
因此，例如，各种随机的汽车驶过某个设施可能是正常的，但是如果同一辆汽车在过去一个小时内驾驶了几次，并且每次都减速，然后再次加速，则警卫会提醒发生可疑事件。
同样，如果某人位于数据中心通常不去的地方，或者在他们通常不工作时，这可能是麻烦的征兆。
总部位于亚利桑那州坦佩的技术咨询和系统集成公司insight的云和数据中心转型高级安全架构师MichaelPeRReault表示：它可以帮助人们专注于潜在的威胁领域。
它用于帮助数据中心发现安全团队可能遗漏的正在发生的问题。
预测分析
模式识别还有另一种用途——预测事件。在今天的数据中心中，这种能力主要用于预测维护。
因此，例如，如果一个设备加热到一个不寻常的水平，人工智能系统可以标记出问题，并在设备完全失效之前发出服务请求。
PeRReault说，目前预测分析在数据中心维护之外的应用并不多。
但是，也有一些厂商正在研究技术，通过将电子邮件或视频监控等内部数据与逮捕报告或社交媒体帖子等外部数据相结合，帮助在安全问题发生之前发现问题。
例如，如果某个数据中心的某个人或某个员工在暴力事件中被捕，向该公司发送恐吓邮件，并在社交媒体上发表攻击性文章，这些都可能是此人可能进一步升级的迹象。可以建议警卫注意那个人。
当然，用人工智能来预测一台机器何时可能出故障，和用它来预测一个人何时可能出故障是两回事，后者提出了一些棘手的伦理问题。
多少信息收集太过侵入性?如果它有助于确保员工和关键基础设施的安全，那么是否值得这样做?
今天，这类系统最大的问题是，它们仍然是相对较新的，不太准确，而且容易受到偏见的影响，正如世界各地的警察部门所发现的那样。
但是关于人工智能系统的问题是它们一直在变得越来越精确。很快，预测性安全技术将广泛应用，价格低廉，易于设置。已经有供应商将此作为一种服务提供，他们将公司内部数据与外部来源关联起来，以预测人类行为，而且这项技术不会消失。
数据中心安全管理人员和高级管理人员应提前制定道德框架。当涉及到员工、他们的家庭成员或公众时，安全系统应该有多大的干扰性?哪些数据源是合适的工具?行动的门槛是多少?
少数派报告式的预测安全技术不再是科幻小说，电影提出的道德问题也不再是理论问题。