استفاده از هوش مصنوعی برای پیش‌بینی خرابی هارددیسک

گوگل و سیگیت به کمک یادگیری ماشین موفق شدند زمان خرابی هارددیسک‌ های مراکز داده را پیش‌بینی کنند و نتیجه را در برنامه‌ریزی برای محافظت از میلیون‌ها ترابایت داده به کار ببرند. برای اطلاعات بیشتر با بازدیدایده همراه باشید. 

                                                                               هارددیسک

در حال حاضر در مورد خرابی هارددیسک هیچ راه حلی وجود ندارد. این نوع حافظه‌ی ذخیره‌سازی از SSD آسیب‌پذیرتر است؛ اما ظرفیت‌های بالاتری در قبال هزینه‌ای پایین‌تر ارائه می‌دهد. این عامل مهمی برای سرویس‌هایی مانند گوگل کلاد است که نیاز دارند از حجم بسیار زیادی داده نگه‌داری کنند.

به‌ گفته‌ی گوگل،‌ «ناتوانی در تشخیص زودهنگام خرابی هارد دیسک ممکن است بسیاری از محصولات و خدمات این شرکت را با مشکلات جدی روبه‌رو کند.» مشکل اینجا است که تشخیص انسانی خرابی درایو (که مثلا در عرض ۳۰ روز، سه بار یا بیشتر دچار مشکل شده)، فرایندی بسیار وقت‌گیر و نیازمند دسترسی فیزیکی به دستگاه است.

 گوگل و سیگیت قصد داشتند از هوش مصنوعی و به‌طور خاص، یادگیری ماشین برای کاهش زمانی‌ استفاده کنند که مهندسان برای تست درایوها و تشخیص خطر خرابی آن‌ها صرف می‌کنند.

گوگل کلاد تعداد حیرت انگیزی هارد دیسک در اختیار دارد که همگی «شامل صدها پارامتر و فاکتور هستند که باید ردیابی و کنترل شوند.» از طرفی، این حجم از داده برای سرویسی مثل گوگل کلاد بسیار باارزش و مفید است؛ چون مجموع داده‌های آن را به همراه داده‌های سیگیت و اکسنچر می‌توان در یک مدل یادگیری ماشین استفاده کرد تا احتمال خرابی درایو را پیش‌بینی کند.

این شرکت‌ها برای این آزمایش از دو مدل یادگیری ماشین استفاده کردند؛ یکی مبتنی بر جداول یادگیری ماشین خودکار موسوم به AutoML و دیگری مدلی که به‌صورت سفارشی برای این پروژه ساخته شده بود. پیش‌بینی مورد اول با دقت ۹۸ درصد و فراخوانی ۳۵ درصد نتایجی بهتر از به مدل دوم با دقت ۸۰-۷۰ درصد و فراخوان ۲۵-۲۰ درصد به دست آورد. این نتیجه همچنین نشان داد استفاده از AutoML گزینه‌ای بهتر از راه‌ حل‌های ابتکاری برای پیش‌بینی خرابی هارددیسک است.

گوگل قصد دارد پشتیبانی از این سیستم را به تمام درایوهای سیگیت گسترش بدهد.