數據中心和IT管理目前正面臨一些重大的行業變化。其中最重要的是勞動力的轉移和改變，如今IT行業每天約有10,000人退休，這一趨勢始于2011年，預計將持續到2030年，而這發生在物聯網(IoT)的廣泛應用和發展期間。2017年全球擁有64億臺物聯網設備，專家預測其數量在未來幾年將躍升至兩倍多。

數據中心管理與勞動力這兩個主題似乎并沒有關聯，但實際上它們的聯系看起來更緊密。由于勞動力人口的變化，有些組織甚至招聘退伍軍人代替行業資深人士，而這些退休人員離職后，組織將會出現知識和經驗短缺問題。這將對大多數行業的發展產生影響，尤其是IT和關鍵基礎設施等高技能行業中。

另一方面，物聯網的發展正在引領新的數據中心和網絡架構的變化與發展。隨著對邊緣位置的需求不斷增加，對分布式數據中心管理的需求也在不斷增加。機器學習能夠讓數據中心運營商有機會采用更有效的方法進行基礎設施管理，提供自動化操作、預測性警報和主動服務。

通過機器學習，數據中心可以識別正?；虍惓５倪\營趨勢，并實施基礎設施系統的自動化管理，例如電力和冷卻。通過采用主動識別措施提高效率，機器學習可以幫助其系統學會在觸發時自動適應，從而可能無需現場技術人員進行調整。

雖然采用先進的技術可能無法自動解決問題，但機器學習也可以幫助技術人員完成日常工作。通過識別模式和趨勢，機器學習還提供了將技術人員的服務方法從被動轉變為主動的機會。通過使用預測性警報，技術人員可以在創建問題之前處理維護，最大限度地減少需要員工派遣到用戶的緊急服務呼叫。更重要的是，通過移動的應用程序，技術人員可以提前獲得趨勢和全面的知識庫，在識別問題和解決方案方面有一定的優勢。

在以上的例子中，機器學習和人工智能(AI)有可能最大限度地減少對現場技術人員的需求，并通過對運營趨勢、最佳實踐程序和解決方案的見解幫助新員工。但是，獲得這些好處需要大量數據和領域專業知識這兩個關鍵組件。為了利用這些可能性，基礎設施管理必須擁有適當的流程來捕獲和分析基礎設施數據。更好的是，IT專業人員可以通過更強大的數據增強機器學習能力。數據中心運營商可以匯總、匿名和分析來自世界各地各種部署的數據，提供行業所需的知識，而不是任何一個特定的位置。

很明顯，IT、冷卻和電力等領域專家的退休，以及數據爆炸和邊緣網絡的發展趨勢都沒有放緩。幸運的是，機器學習只是數據中心管理能夠跟上這兩種趨勢的方式之一。