数据中心和IT管理目前正面临一些重大的行业变化。其中最重要的是劳动力的转移和改变，如今IT行业每天约有10,000人退休，这一趋势始于2011年，预计将持续到2030年，而这发生在物联网(IoT)的广泛应用和发展期间。2017年全球拥有64亿台物联网设备，专家预测其数量在未来几年将跃升至两倍多。

数据中心管理与劳动力这两个主题似乎并没有关联，但实际上它们的联系看起来更紧密。由于劳动力人口的变化，有些组织甚至招聘退伍军人代替行业资深人士，而这些退休人员离职后，组织将会出现知识和经验短缺问题。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中。

另一方面，物联网的发展正在引领新的数据中心和网络架构的变化与发展。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。机器学习能够让数据中心运营商有机会采用更有效的方法进行基础设施管理，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营趋势，并实施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，从而可能无需现场技术人员进行调整。

虽然采用先进的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工作。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。通过使用预测性警报，技术人员可以在创建问题之前处理维护，最大限度地减少需要员工派遣到用户的紧急服务呼叫。更重要的是，通过移动的应用程序，技术人员可以提前获得趋势和全面的知识库，在识别问题和解决方案方面有一定的优势。

在以上的例子中，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，并通过对运营趋势、最佳实践程序和解决方案的见解帮助新员工。但是，获得这些好处需要大量数据和领域专业知识这两个关键组件。为了利用这些可能性，基础设施管理必须拥有适当的流程来捕获和分析基础设施数据。更好的是，IT专业人员可以通过更强大的数据增强机器学习能力。数据中心运营商可以汇总、匿名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的位置。

很明显，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的发展趋势都没有放缓。幸运的是，机器学习只是数据中心管理能够跟上这两种趋势的方式之一。