La Inteligencia Artificial (IA) es como cualquier otra tecnología: necesita un entorno en el que funcionar. Los fundamentos de todo el ecosistema digital han evolucionado durante décadas, por supuesto, y ahora son suficientes para proporcionar un apoyo esencial a las tecnologías inteligentes.
Pero, ¿cómo encaja todo esto, y qué cambios se avecinan ahora que las cargas de trabajo gravitan hacia las aplicaciones de IA?
- Ver más
¿Cuáles son los componentes de la infraestructura de IA?
En pocas palabras, la infraestructura de IA es el conjunto de hardware, firmware, software y otros elementos que permiten el funcionamiento de los algoritmos inteligentes.
Para ello, la infraestructura debe respaldar la capacidad de desarrollar, probar, aplicar y gobernar estos algoritmos, y hacerlo a una escala que les permita generar resultados significativos.
LEER MÁS: ¿Cómo funciona ChatGPT?
Gran parte de la infraestructura crítica se obtendrá probablemente de los sistemas que las organizaciones digitales ya han construido. Aun así, los futuros despliegues se adaptarán, por necesidad, a las necesidades de la IA.
La huella global de datos también entrará en juego, principalmente para proporcionar la información necesaria para entrenar nuevos modelos y producir resultados precisos para la salida requerida. Por esta razón, la forma en que la IA interactúa con la infraestructura es tan importante como la propia infraestructura.
¿Qué elementos de hardware se necesitan?
Los mismos tres elementos de hardware que existen hoy en día seguirán impulsando la infraestructura de la IA en el futuro, es decir, la informática, el almacenamiento y las redes.
La tecnología central seguirá siendo la unidad de procesamiento. Sin embargo, la IA dependerá más de las GPU (unidades de procesamiento gráfico) y las TPU (unidades de procesamiento tensorial) optimizadas para cargas de trabajo de computación de alto rendimiento (HPC).
Los volúmenes de almacenamiento también requerirán una expansión masiva, no sólo para manejar todos los datos que consume la IA, sino también todos los que genera.
Todas las formas de almacenamiento básico desempeñarán probablemente un papel en el rendimiento de la IA, desde la tecnología flash más rápida hasta las soluciones de cinta más lentas pero más voluminosas.
Aunque los distintos tipos de IA, como el aprendizaje automático y las redes neuronales profundas, dependerán de ciertos tipos de almacenamiento más que de otros, es justo decir que todo el almacenamiento requerirá el máximo rendimiento en términos de escalabilidad, fiabilidad y seguridad.
Lo mismo ocurre con las redes. Tanto si permite el acceso a datos locales como a cachés de todo el mundo, el rendimiento de la red determinará la eficacia de cualquier solución de IA.
Es probable que el doble imperativo de mayor rapidez y densidad que ha impulsado las tecnologías de redes hasta este punto se acelere una vez que las cargas de trabajo de IA se conviertan en algo habitual, así como la necesidad de una interoperabilidad más amplia, un menor consumo de energía y una visibilidad profunda.
¿Qué elementos de software se necesitan?
La parte de software de la infraestructura de IA es cada día más diversa. Las nuevas plataformas, herramientas y técnicas salen rápidamente del proceso de desarrollo y luego se perfeccionan e integran para crear las bibliotecas y marcos necesarios para producir aplicaciones inteligentes.
Los lenguajes de programación como Python, C y Java (junto con sus muchas variantes) están gravitando rápidamente hacia el desarrollo de la IA, mientras que TensorFlow, Jax, XCBoost y otras plataformas están permitiendo a las organizaciones probar rápidamente nuevos modelos e impulsarlos a la producción.
Las herramientas adicionales para preparar los datos, supervisar y gestionar el rendimiento, optimizar el consumo de recursos y un sinfín de otras actividades se están volviendo demasiado numerosas para contarlas.
¿Cómo debe diseñarse este entorno?
Es probable que la velocidad y la escala sean los factores clave en el diseño de la infraestructura de la IA. Para ser realmente eficaz, la IA debe analizar muchos datos (terabytes como mínimo) en un tiempo récord. Los modelos exitosos también se expandirán en tamaño y alcance muy rápidamente, por lo que la capacidad de aprovisionar nuevos recursos rápidamente también será inestimable.
Por esta razón, es probable que gran parte de la infraestructura de la IA esté muy estandarizada y probablemente sea modular, todo ello para garantizar una amplia disponibilidad y un servicio y soporte racionalizados.
Esto también ayudará a mantener bajos los costes, tanto en términos de adquisición de hardware como de gestión operativa. Y como es probable que la IA recurra a datos sensibles en apoyo de aplicaciones críticas, la seguridad debe ser un elemento central, no una ocurrencia tardía.
¿Qué métricas de rendimiento debo utilizar?
En la mayoría de los aspectos, el rendimiento de la IA se basa en los mismos principios de la informática estándar, es decir, velocidad, tiempo de actividad, consumo de energía y factores de red como rendimiento, conectividad y tolerancia a fallos.
La mayoría de las métricas específicas de la IA miden cosas como la regresión (utilizada para evaluar los resultados matemáticos a lo largo del tiempo) y diversas funciones de clasificación como la exactitud y la precisión. Sin embargo, generalmente miden el rendimiento del modelo, no de la infraestructura subyacente.
¿Cuáles son las ventajas y desventajas de las implantaciones locales, en la nube e híbridas?
Es difícil que un modelo de IA pueda proporcionar resultados útiles utilizando sólo datos internos, por lo que el acceso al ecosistema mundial de datos será crucial.
Es probable que algunos de los enfoques más propietarios se alojen en infraestructuras locales para dar soporte a los propios modelos, pero incluso éstos deberían acabar migrando a infraestructuras híbridas o totalmente en la nube por motivos de eficiencia y gestión de costes.
Sin embargo, es probable que la mayoría de los usos genéricos de la IA se originen en la nube. Muchos proveedores ya ofrecen plataformas completas de IA que pueden utilizarse para el desarrollo, las pruebas y la implantación. En última instancia, la decisión entre la nube o las instalaciones dependerá de la naturaleza del modelo y de los datos que requiera.
