Ψηφιακός μετασχηματισμός datacenter στο cloud με χρήση διαδικτυακών εργαλείων και τεχνητής νοημοσύνης - Datacenter digital transformation and migration to cloud with use of online tools and A.I.

Abstract

Η ραγδαία αύξηση των δεδομένων και των υπολογιστικών απαιτήσεων οδηγεί τους οργανισμούς στην επανεξέταση του παραδοσιακού μοντέλου Data Center. Η παρούσα διπλωματική εργασία μελετά τον μετασχηματισμό ενός enterprise Data Center και τη μετάβασή του σε υποδομές Cloud, με έμφαση στη χρήση διαδικτυακών εργαλείων και τεχνολογιών Τεχνητής Νοημοσύνης. Αναλύονται οι παραδοσιακές αρχιτεκτονικές Data Center, οι τεχνολογίες virtualization και αποθήκευσης, καθώς και τα σύγχρονα μοντέλα Cloud Computing. Ιδιαίτερη έμφαση δίνεται στις στρατηγικές Cloud Migration και στη χρήση του πλαισίου των 6Rs. Επιπλέον, εξετάζεται ο ρόλος της Τεχνητής Νοημοσύνης στη βελτιστοποίηση υποδομών, στη διαχείριση κόστους, στον σχεδιασμό χωρητικότητας και στην ανίχνευση ανωμαλιών. Η εργασία περιλαμβάνει μελέτη περίπτωσης (Case Study), βασισμένη σε πραγματικό enterprise περιβάλλον, η οποία καταδεικνύει τα οφέλη των υβριδικών cloud αρχιτεκτονικών με υποστήριξη AI. Τέλος, παρουσιάζονται μελλοντικές προοπτικές που αφορούν την ενέργεια, τα δίκτυα υψηλών ταχυτήτων και την εκθετική ανάπτυξη της Τεχνητής Νοημοσύνης. The rapid growth of data volumes and computational demands has led organizations to rethink the traditional Data Center model. This thesis examines the transformation of a conventional enterprise Data Center and its transition to Cloud-based infrastructures, emphasizing the role of web-based tools and Artificial Intelligence technologies. The study analyzes traditional Data Center architectures, virtualization and storage technologies, and modern Cloud Computing models. Particular emphasis is placed on Cloud Migration strategies, including workload assessment and the application of the 6Rs framework. Furthermore, the thesis explores the use of Artificial Intelligence for infrastructure optimization, cost management, capacity planning, and anomaly detection. A real-world enterprise-based case study is presented, demonstrating the practical application of hybrid Cloud architectures supported by AI-driven tools. The results highlight improved scalability, cost efficiency, and operational resilience. The thesis concludes with an analysis of future trends, including energy consumption, advanced networking, and the exponential growth of Artificial Intelligence.