Acepto

COOKIES

Esta web utiliza cookies técnicas, de personalización y de análisis, propias y de terceros, para anónimamente facilitarle la navegación y analizar estadísticas del uso de la web. Obtener más información

El avance de la inteligencia artificial en el centro de datos

  • Contenidos Adicionales

inteligencia artificial

Hacer frente a los nuevos retos digitales es vital para las organizaciones, en una sociedad en la que constantemente se generan datos muy valiosos para los negocios. Esto está generando una revolución en los centros de datos, que están encontrando en la inteligencia artificial la mejor solución para administrar eficientemente una infraestructura cada vez más diversificada y unos flujos de trabajo en constante cambio.

En la sociedad digital en que vivimos las organizaciones se enfrentan a una avalancha de información proveniente de numerosas fuentes, que encierra un gran valor para sus negocios. Estos datos tienen potencial para optimizar al máximo las operaciones y para personalizar los servicios, algo que se ha convertido en fundamental para mantener la competitividad y ofrecer una imagen positiva y moderna que afiance las relaciones con los clientes. Pero enfrentarse a tal cantidad de información tiene una contrapartida, y es que esta actividad genera cargas de trabajo que fluctúan constantemente en intensidad. 

Esto ejerce mucha presión en los centros de datos, debido a la dificultad de administrar los recursos de forma dinámica y efectiva, y las estrategias tradicionales no están dando buenos resultados. Para hacerse cargo de estos requisitos cambiantes es vital alcanzar ciertas capacidades predictivas en la distribución de recursos dentro de las instalaciones, y los operadores encuentran grandes dificultades para cumplir estos requisitos sin que se produzcan interrupciones en los servicios.

La solución viene de la mano de diferentes ramas de la inteligencia artificial, como el aprendizaje automático, tecnologías disruptivas que están revolucionando el sector de los centros de datos, tanto en el ámbito del software como en el hardware. La monitorización avanzada de las instalaciones y de las cargas de trabajo proporciona gran cantidad de información sobre el funcionamiento y la eficiencia, que las personas tardan tiempo en comprender y administrar. 

Pero la inteligencia artificial puede extraer conclusiones basadas en datos empíricos de forma mucho más rápida y precisa, proporcionando recomendaciones y predicciones e, incluso tomando decisiones acertadas por sí misma. Esto requiere un trabajo de aprendizaje previo que lleva su tiempo, pero que ya está dando resultados, por ejemplo en el campo del software de administración de centros de datos (DCIM), un segmento que está evolucionando con rapidez.

Redes neuronales como base para la inteligencia

La arquitectura de las primeras aplicaciones de inteligencia artificial era muy diferente a la de la inteligencia humana. Pero poco a poco se ha ido conociendo mejor el funcionamiento del cerebro humano, que se puede considerar como una máquina creada para detectar patrones de todo tipo, mediante redes de neuronas interconectadas. A grandes rasgos, la interacción y la transmisión de información entre estos grupos de células nerviosas es la que permite comprender el entorno y saber de forma intuitiva cómo enfrentarse a todas las situaciones de la vida. 

Incluso cosas como el razonamiento deductivo más profundo o la intuición se basan en la identificación de patrones, una capacidad que se puede aplicar tanto a los estímulos externos como a la información que ya se encuentra almacenada en el cerebro. Aunque el conocimiento que tenemos sobre el funcionamiento del cerebro es bastante elemental, lo que ya se sabe ha revolucionado la forma de concebir la arquitectura interna de la inteligencia artificial, que actualmente tiene un diseño más complejo, pensado para el reconocimiento de patrones. 

Con el avance de la era digital, la información proviene de numerosas fuentes, y las arquitecturas de TI se encuentran cada vez más distribuidas, conformando una estructura interconectada que se está volviendo más y más compleja. Para hacer frente a esta evolución desde el punto de vista de la inteligencia artificial ha surgido lo que se conoce como redes neuronales artificiales (ANN). Se trata de modelos de IA altamente complejos que trabajan como nodos deuronales interconectadas, con información proveniente de diferentes fuentes. Estas redes de IA tratan de emular la capacidad de los humanos para interrelacionar información y contextualizarla, con el fin de extraer conclusiones acertadas de forma automática.

Entrenando la IA para trabajar en los centros de datos

Al igual que sucede con los humanos, para construir una IA “adulta” se precisa unas capacidades “innatas” y un proceso de aprendizaje o entrenamiento inicial. Las capacidades iniciales son los algoritmos de IA que sirven como base para poder alimentar a la máquina con información y que sea capaz de comprenderla, en base a unos parámetros concretos especificados por los programadores. Y, tras un proceso de entrenamiento, el objetivo es que la máquina sea capaz de trabajar en su ámbito de aplicación y también de ir mejorando por sí misma, aprendiendo de la información y de los resultados de sus decisiones, y de las que toman los humanos que trabajan con ella.

El entrenamiento inicial proporciona a la aplicación un contexto en el que basar el análisis de los datos y le dota de una cierta capacidad para extraer conclusiones, emitir recomendaciones e, incluso, tomar decisiones y llevarlas a cabo. Pero esto alcanza una complejidad mucho mayor en el contexto de las estructuras de centros de datos actuales, que están muy diversificadas e interconectadas con infraestructuras externas, como la computación en la nube o los centros de datos perimetrales.

Como ejemplo, en el reconocimiento automático de imágenes, que es una forma de aprendizaje automático, los desarrolladores alimentan a las máquinas con gran cantidad de imágenes del objeto que deben reconocer, aplicándoles una “etiqueta” que señala que contienen ese objeto, y otras que no se corresponden con el objeto, con una etiqueta contraria. De esta manera, la IA va adquiriendo la capacidad de identificarlos, y cuantas más imágenes reciba, más afinará su capacidad de reconocimiento.

Esta dinámica adquiere más complejidad en el entrenamiento de las redes neuronales, ya que se combinan las capacidades de diferentes “nodos” de la IA, lo que conlleva un entrenamiento más prolongado y complejo, en el que se deben equilibrar los porcentajes de acierto de todos estos núcleos. Al final, el resultado es una IA con mayor alcance y capacidad de análisis, que a su vez tiene más potencial para adquirir experiencia por sí misma, sin la constante intervención de los humanos.

Optimizando los centros de datos con ayuda de la IA

Administrar el funcionamiento de un centro de datos moderno requiere soluciones eficaces y dinámicas, que estén a la altura de la gran complejidad de las nuevas infraestructuras y redes interconectadas, y la inteligencia artificial se está convirtiendo en la mejor forma de lograrlo. En un principio, los operadores de centros de datos comenzaron a aplicar la IA a subsistemas ligados a la eficiencia y el consumo energético, como son la refrigeración y el suministro eléctrico. 

Los resultados han sido una reducción del gasto de electricidad y un mejor mantenimiento de las infraestructuras, gracias a una regulación más precisa de las temperaturas. Los pioneros comenzaron con proyectos piloto donde la IA proporcionaba recomendaciones a los técnicos del centro de datos, pero tras un tiempo de entrenamiento algunos han puesto en manos de estos sistemas automatizados la administración del enfriamiento y la energía, logrando resultados aún mejores.

Y, a medida que la monitorización de los centros de datos ha ido evolucionando, los operadores han podido recoger mucha más información sobre otros aspectos del funcionamiento de las instalaciones. Entre ellos, la administración de las cargas de trabajo y de los diferentes recursos de hardware, software, virtualización y redes, acumulando muchos datos valiosos sobre las diferentes situaciones que se dan en los centros de datos.

Con todo ello, los desarrolladores de software para la administración de centros de datos (DCIM) han logrado construir sistemas basados en IA, capaces de emitir recomendaciones en tiempo real para optimizar la asignación de recursos y mejorar el rendimiento general de las instalaciones. A su vez, esto les ha permitido reducir aún más el gasto energético, lograr un mayor aprovechamiento de la capacidad TI y alargar la vida útil de los equipos mediante un mantenimiento predictivo.

Mantenimiento predictivo gracias a la IA

Uno de los problemas a los que se enfrentan los operadores de centros de datos es el mantenimiento de los equipos. A más complejidad en el centro de datos, más difícil es mantener al día el mantenimiento de los servidores, discos duros y demás equipos, así como tener preparados los recambios de unidades que fallan y deben ser sustituidas. Y este es un campo en el que las redes neuronales artificiales pueden ser de mucha ayuda.

Cuando estos sistemas manejan toda la información de monitorización del centro de datos, y mediante la adecuada programación por parte de los técnicos, pueden aprender a reconocer de forma automática las señales que indican que un dispositivo va a fallar, o que se acerca el final de su vida útil y podría fallar. Así, la IA es capaz de extrapolar patrones de mantenimiento predictivo, proporcionando al administrador una valiosa información sobre cuando se prevé que hagan falta repuestos.

Asimismo, la mejor distribución de las cargas de trabajo puede dar como resultado un aprovechamiento mayor de cada recurso, en función de su nivel de utilización, para alargar la vida de componentes clave como la memoria de estado sólido, los discos HDD y otros componentes que sufren mucho con el trabajo continuado.

La nube puede potenciar la IA en los centros de datos

Otra gran ventaja de las redes neuronales de IA para la administración de centros de datos es que su conocimiento y experiencia puede aplicarse en otras instalaciones. Una vez que se ha entrenado adecuadamente y ha pasado a una fase posterior, la inteligencia artificial es capaz de aprender constantemente del funcionamiento real del centro de datos, mejorando su desempeño y adaptándose mejor a las situaciones particulares que se pueden dar en esta instalación en particular.

Pero todo este aprendizaje no solo sirve en esa ubicación, sino que se puede migrar a otro centro de datos para acelerar el aprendizaje y la implementación final de u sistema similar en ese sitio. Esto adquiere una dimensión mayor cuando se trata de redes de centros de datos interconectados, que pueden beneficiarse compartiendo la información, experiencia y modelos operativos a través de la nube, formando una red neuronal artificial aún mayor.

Esto es lo que están haciendo algunos proveedores destacados de software DCIM, que aplican lo aprendido en las instalaciones de cada uno de sus clientes para aumentar la eficiencia energética de los centros de datos. Esto permite a los sistemas de IA locales enfrentarse mejor a incidencias potencialmente graves, como los cortes de suministro eléctrico, los cambios ambientales bruscos y otros sucesos que pueden poner en riesgo la infraestructura o la continuidad de los servicios. Y también para mejorar la distribución automática de las cargas de trabajo cuando se producen grandes picos, o simplemente para lograr el máximo aprovechamiento de la infraestructura.

Para hablar de IA en el centro de datos ya no hay que irse al futuro, sino que ya se está aplicando en grandes instalaciones hiperescala y en las redes de centros de datos de importantes proveedores del sector, que proporcionan a sus clientes un nivel de servicio muy superior, garantizando la mayor eficiencia energética y una mayor durabilidad para la infraestructura TI. Y poco a poco sus sistemas de inteligencia artificial están siendo interconectados, conformando una vasta red de IA que acabará siendo el centro neurálgico de las operaciones en los centros de datos.