当我们开始考虑解决当今一些和可怕的技术挑战时，这意味着什么？

这在很大程度上与整个备份，恢复和IT弹性有关，根据近的“ IT弹性状态”报告，非传统数据类型的出现需要创新的备份和恢复方法，应用程序数据机器学习数据和从传感器收集的数据（格式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视性挑战。

备份和恢复空间（结合AI）可以通过哪些方式应对这些挑战呢？

大多数应用程序可能属于机器学习类别，虽然AI涉及使计算机模仿人类智能的技术，但是机器学习是AI的一个子领域，它使机器能够根据经验来改善任务，让我们看一下机器学习和IT弹性相结合对技术和IT行业运营方式产生深远影响的四种方式。

移动依赖AI的数据

随着企业利用AI等更复杂的数据机会，他们首先需要确保其IT基础架构足够强大，灵活且安全，所有这些都属于创建弹性环境的条件：一种IT环境可确保始终访问关键应用程序，而对业务运营或客户的干扰为零，当我们谈论使机器学习工作所需的大量数据时，这变得尤为重要。

自动平衡资源

如今大多数公司都会进行持续的故障转移测试，以确保其灾难恢复策略能够在遇到实际灾难时按预期方式工作。但是，IT组织面临的一个共同挑战是拥有足够的存储空间来连续运行这些故障转移测试，涉及一遍又一遍地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。单击此按钮以查看“将场景移动到不同点的情况”，单击此按钮以查看将数据移动到不同云平台和/或选择一个云平台要花费多少，单击此按钮以查看如何删除冗余数据将节省大量存储空间。要么，

免提灾难恢复

在一个理想的世界中，当企业遇到灾难时，其灾难恢复系统可以自动，快速出色地胜任任何人工操作，我们还没有但是即将到来。尽管自动灾难恢复听起来很吸引人，但是机器学习仍然需要足够先进，以了解何时仅在五分钟之内关闭了网络，而完全资源密集型恢复不是必需的，也不值得这样做，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等待五分钟，例如在执行故障转移之前，可以使用免提灾难恢复系统，这种进步的终目标是减少企业和客户的停机时间，想法是一旦通过足够的基于算法的反复试验解决了问题，机器将始终比人类具有更好，更快和更智能的性能。这可以等同于灾难恢复过程如此高效地发生，对于该数据中心所服务的企业来说没有任何意义。

安全集成

随着机器学习的发展，安全性与恢复之间的界限越来越多，机器学习可以帮助安全和恢复系统协同工作，以制定更好的IT决策。让我们以勒索软件为例，该病毒会加密大量数据，以利用这种手段来控制个人或组织的数据勒索，配备了先进机器学习的安全系统可能能够检测到加密发生时的状态，然后自动与恢复系统连接以阻止攻击的发生以及故障转移到未加密的数据，这是AI和IT弹性可以融合在一起的令人兴奋和有希望的方式之一。这种情况将在不久的将来成为现实，终，

这些只是备份和恢复领域中少数基于AI的潜在方案

然还有其他一些，其中很多我们可能甚至在未来几年内都不会发现–这就是在这个新的，不断发展的，数据驱动的世界中的生活，与IT的各个方面一样，我们今天对备份和恢复的了解将在短短几年内看起来完全不同，我们只是处于一切可能的开始，但创新的发展速度每天都在增加，而对于组织如何更好地保护和保存数据的意义可以等同于未来的发展，使用“停机时间”一词实际上已经过时了。