机器学习与人工智能被广泛宣传为解决数据中心难题的“灵丹妙药”。尽管其中不乏夸大其词和不切实际的乐观情绪，人工智能在某些特定领域确实展现了其实用性，尤其是在数据中心物理安全方面。人工智能在这一领域主要体现在三个方面：图像和声音识别、异常检测以及预测分析。
图像和声音识别
图像识别是人工智能技术中的一大成功典范，目前正被广泛应用于多个领域，声音识别技术亦是如此。
在物理安全领域，图像识别常用于面部识别。不过，它的应用并不仅限于确认个人身份。在火灾等紧急情况下，图像识别技术能够帮助确认某个房间内是否有人员。此外，它还可以判断检测到的运动是自然现象还是潜在的入侵行为。
图像识别同样能够识别携带武器的人，或是不佩戴口罩的访客。
在健康相关的应用中，例如，当数据中心的访客被确诊为COVID-19后，图像识别可以追踪他们曾经到访的地点及接触过的人，以便进行必要的检测。
对于需求较为特殊的大型数据中心，有多种商业和开源的图像识别算法及训练集可供选择。而对于资源有限的小型数据中心，越来越多的安全产品供应商也在其解决方案中整合了这些功能。
MeMooRi的董事总经理詹姆斯·麦克黑尔在近期的报告中指出，充分利用视频监控摄像头生成的大量数据迫在眉睫，基于人工智能的解决方案是最为实用的选择。
麦克黑尔表示，视频监控摄像头产生的数据量巨大，人工智能能够有效处理这些数据。
人工智能系统还可以用于分析热成像数据。他指出，热成像相机是因COVID-19大流行而兴起的重要技术之一。
目前，许多热成像设备仅能提供热信息，但客户日益希望能够同时捕捉热成像和传统图像，并运用神经网络进行处理。
不过，他补充道，许多人对如何将这一技术应用于疫情防控的认识仍显不足。此外，疫情也对多个经济部门产生了负面影响，影响了支出，并改变了企业的技术采购方式。
他指出，客户希望从投资中获得更多价值，对前期资本支出持谨慎态度，这使得“作为服务”的访问控制和视频监控解决方案变得更具吸引力。
异常检测
机器学习的另一个重要应用是异常检测。系统会根据数据基线进行训练，识别常见模式并寻找不符合这些模式的异常事件。
例如，某个设施内偶尔有车辆经过是正常的，但如果同一辆车在短时间内多次往返，并且每次都有减速和加速的行为，安保人员就会被提醒注意可疑情况。
同样，如果某人在数据中心的不常去区域出现，或是在他们通常不工作的时间出现，这可能是潜在问题的信号。
位于亚利桑那州坦佩的技术咨询公司insight的云与数据中心转型高级安全架构师迈克尔·佩雷奥表示，这种技术可以帮助人们关注潜在的威胁区域。
它有助于数据中心识别安全团队可能未能察觉的正在发生的问题。
预测分析
模式识别还有另一个重要用途，即预测事件。在现代数据中心中，这一能力主要用于维护预测。
例如，如果某个设备的温度异常升高，人工智能系统能够及时标记出问题，并在设备完全失效之前发出服务请求。
佩雷奥提到，目前预测分析在数据中心维护之外的应用仍不多。
然而，一些厂商正在探索通过结合内部数据（如电子邮件或视频监控）与外部数据（如逮捕报告或社交媒体帖子），以在安全问题发生前识别潜在问题。
例如，如果某个员工因暴力事件被捕，并且向公司发送恐吓邮件或在社交媒体上发表攻击性言论，这可能暗示此人有进一步升级的可能性，安保人员应对其保持警惕。
当然，利用人工智能预测设备故障与预测个体行为是两回事，后者涉及一些复杂的伦理问题。
收集多少信息才算过于侵入？如果这能保障员工及关键基础设施的安全，是否值得如此？
目前，这类系统面临的最大挑战在于它们仍处于相对初级阶段，准确性不足且易受偏见影响，正如全球多个执法部门所经历的那样。
然而，人工智能系统的精确度不断提升，预测性安全技术的普及指日可待，且成本低廉、易于部署。已有供应商将此作为一种服务提供，结合公司内部与外部数据预测人类行为，这一技术将持续存在。
数据中心安全管理人员和高层管理者应提前建立道德框架。在涉及员工、家庭成员或公众时，安全系统应有多大的干预？哪些数据源是合适的工具？采取行动的门槛应设定在哪里？
少数派报告式的预测安全技术已不再是科幻作品，电影中提出的伦理问题也不再是理论上的探讨。
