今天，即便是许多非从业者也至少对人工智能(AI)有一个大致的了解。从自动驾驶汽车到个人语音助手，人工智能已成为我们日常生活的前沿和中心。但是这些直观展现在我们面前的AI应用并不是现在大多数IT专业人士考虑AI应用时所关注的。许多人可能没有意识到，IT界每天思考的是，AI可以走多远，AI应用如何为更多事情带来改变。
在企业可能遇到的IT挑战中，备份、恢复和IT弹性是非常重要的。根据IDC最近发布的“IT弹性状态”报告，非传统数据类型的出现带来了对创新的备份和恢复方法的需求。应用程序数据、机器学习数据和从传感器收集的数据——从结构化到非结构化——都将与组织的IT弹性策略相关，从而带来持续的数据管理和可见性挑战。
那么，结合人工智能，有哪些方法可以解决备份和恢复领域的这些挑战？下面让我们来看看，机器学习和IT弹性相结合对技术和IT行业运作方式产生深远影响的四种方式。
Pexels 上的 Fernando Arcos 拍摄的照片
迁移“AI依赖型”数据
随着对数据使用价值的不断开发，如人工智能，企业首先需要确保自己的IT基础设施足够高效、灵活和安全。这都属于创建一个弹性环境：一个确保在任何时候都能访问关键应用程序而不会对业务运行或客户造成任何干扰的IT环境。而且机器学习需要大量的数据，这一点变得尤为重要。
我们以无人商店为例，它结合了摄像头图像、传感器和移动应用程序数据，允许购物者进入商店，选购他们所需要的东西，然后就可以离开，而无需与任何人互动——移动支付是自动发生的。假设无人商店的所属企业需要一些数据来进行机器学习模型的训练，那从线上系统获取这些数据时，IT系统必须要有足够的弹性，以保证业务不会受到影响，否则将会严重影响客户体验。
自动平衡资源
今天，大多数公司都会持续运行故障转移测试，以确保在遇到灾难情况时，灾难恢复策略能够按照预期的方式工作。然而，IT部门面临的一个常见挑战是有足够的存储空间来持续运行这些故障转移测试——需要反复复制和移动数据的测试。使用基于机器学习的预测工具，企业将能够看到预期的存储增长率，并自动提供相关选项。
点击一个按钮，就可以看到“如果发生了什么事件”，数据将移动到什么地方；点击一个按钮，就可以看到将数据移动到不同的云平台和/或进行一次迁移会产生多少成本；点击一个按钮，就可以看到多少冗余的存储数据被删除。或者更进一步说，如果一个组织拥有足够先进的机器学习程序，那么它可以根据预先确定的首选项进行操作，并基于一种算法自动平衡存储资源，该算法考虑了可用空间、成本、之前的手动决策等多个因素。
自动灾难恢复
最理想的状态是，当企业遇到灾难时，灾难恢复系统会自动地、快速地、比任何人手动完成的工作都好。当然我们还无法实现这一状态，但很可能就要来了。虽然自动灾难恢复听起来很有吸引力，但是仍然需要机器学习足够先进，以便理解什么时候网络只停机五分钟，而完全的资源密集型恢复毫无必要，也不值得。
也就是说，有了正确的算法和变量，以及足够的数据来帮助机器确定何时应该等待五分钟(例如，在执行故障转移之前)，就有可能实现自动灾难恢复系统。这种改进的最终目标是减少业务和客户的停机时间。其理念是，一旦通过足够多的基于算法的尝试和错误来解决这些问题，机器总是会比人类表现得更好、更快、更聪明。这代表着，灾难恢复系统高效到了一定程度，以至于即使龙卷风袭击了一个200,000平方英尺的数据中心，对其所支撑的业务来说也毫无影响。
安全集成
随着机器学习的进步，安全和恢复之间的界限越来越模糊。机器学习可以帮助安全和恢复系统一起工作，从而做出更好的IT决策。以勒索软件为例，其病毒会对大量数据进行加密，以便攻击者向个人或组织索要赎金。配备高级机器学习的安全系统可能能够在加密发生时检测到恶意加密，然后自动与恢复系统连接，在攻击发生时就制止它，并将故障转移到未加密的数据。这是人工智能和IT弹性结合起来的最令人兴奋和最有前途的方式之一。这种情况在不久的将来将成为现实，最终，随着网络威胁的增长，没有这种保护技术，任何企业将无法生存或竞争。
以上只是备份和恢复领域中几个潜在的基于人工智能的应用场景。当然初次之外还有很多，其中许多我们可能在未来几年都不会发现——没错，这就是一个新的、不断发展的、数据驱动的世界。但是，就像在所有领域一样，我们今天对备份和恢复的了解，或许短短几年后将完全不同。我们仍然处于开始阶段，但创新推进的速度是日益增长的，它对一个组织如何更好地保护和保存其数据所带来的改变，也许将在“宕机”这个词消失之后结束。
原文作者：Steve Blow