استفاده از هوش مصنوعی برای پیش‌بینی خرابی هارد دیسک
امروزه همچنان در رابطه با خرابی و مشکلات هارددیسک راه حلی وجود ندارد. هارددیسک نسبت به SSD آسیب‌پذیرتر می‌باشد، اما ظرفیت‌های بالاتری در قبال هزینه‌ای پایین‌تر ارائه می‌دهد. این فاکتور مهمی برای سرویس‌هایی مانند گوگل کلاد است، که نیاز دارند از حجم بسیار زیادی داده نگه‌داری کنند.
بر اساس صحبت‌های گوگل، «ناتوانی در تشخیص سریع خرابی هارد دیسک می‌تواند 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 نیاز به دسترسی فیزیکی دستگاه می‌باشد.
بر اساس گزارشات منتشر شده، گوگل و سیگیت تصمیم داشتند از هوش مصنوعی و به‌طور ویژه از یادگیری ماشین برای کاهش زمانی استفاده نمایند که مهندسان برای تست درایوها و تشخیص خطر خرابی آن‌ها صرف می‌کنند.
گوگل کلاد حاوی تعدادبسیار زیادی هارد دیسک می‌باشد که تمامی آن‌ها «شامل صدها پارامتر و فاکتور هستند که باید ردیابی و کنترل شوند.» از سوی دیگر، این حجم از داده برای سرویسی مثل گوگل کلاد بسیار مهم و مفید است؛ چرا که 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 بکار گرفته‌اند؛ 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 98% و فراخوانی 35% نتایجی بهتر از به مدل دوم با دقت 70 الی 80% و فراخوان 20 تا 25% به دست آورد. این نتیجه حاکی از آن است، استفاده از AutoML گزینه‌ای بهتر از راه حل‌های ابتکاری برای پیش‌بینی خرابی هارددیسک است.
