IA y aprendizaje automático en los centros de datos modernos
La IA y el aprendizaje automático tienen sus orígenes en la ciencia ficción y una colorida historia que se remonta a la antigüedad y llega hasta la actualidad. Se utilizan en innumerables áreas para mejorar nuestra vida diaria. Para muchas empresas, la IA y el aprendizaje automático están incorporándose a sus centros de datos con rapidez como herramientas para ayudar a resolver problemas complejos, como el diagnóstico y la optimización.
¿Qué es el aprendizaje profundo?
Techopedia define el aprendizaje profundo como «una recopilación de algoritmos utilizados para modelar abstracciones de alto nivel en datos mediante arquitecturas modelo compuestas de múltiples transformaciones no lineales». El aprendizaje profundo es utilizado por el aprendizaje automático y forma parte de un grupo de métodos que se basan en aprender representaciones de datos.
Es un enfoque específico para la construcción y el entrenamiento de redes neuronales: nodos de toma de decisiones con un gran potencial.
Los algoritmos se consideran «profundos» si los datos de entrada pasan a través de una serie de no linealidades o transformaciones no lineales antes de convertirse en salida. La mayoría de los algoritmos de aprendizaje automático actuales se consideran «superficiales», ya que su entrada solo alcanza los primeros niveles de invocación de subrutinas.
El aprendizaje profundo elimina la identificación manual de características en los datos y se basa en su proceso de entrenamiento para descubrir patrones útiles en el ejemplo de entrada. Esta característica permite que el proceso de entrenamiento de redes neuronales sea más fácil y rápido ayudando a producir mejores resultados, lo que avanza el campo de la IA.1
¿Cómo utilizan las empresas el aprendizaje profundo, la IA y el aprendizaje automático para aumentar la eficiencia y reducir costes?
El aprendizaje profundo, la IA y el aprendizaje automático son herramientas que pueden analizar gran cantidad de datos para después identificar patrones en ellos y determinar cuándo podrían repetirse en el futuro. La IA y el aprendizaje automático pueden modelar configuraciones alternativas, aumentando el tiempo de funcionamiento y la resiliencia, localizando oportunidades de mantenimiento preventivo y señalando posibles riesgos de ciberseguridad.
Los centros de datos suelen contar con gran cantidad de recursos y sensores, lo que proporciona a sus operaciones datos históricos y en tiempo real sobre su rendimiento general y su entorno. Tanto la optimización de los recursos como la predicción y prevención del tiempo de inactividad son funciones importantes para la IA y el aprendizaje automático en los centros de datos. Al monitorizar los datos de rendimiento en tiempo real que regulan la gestión de la alimentación y el sistema de refrigeración, la IA y el aprendizaje automático no solo pueden conservar y optimizar sus recursos, sino también pronosticar dónde podría ocurrir un error en el centro de datos. Si pueden identificar dónde podría ocurrir un error, es posible realizar un mantenimiento preventivo y evitar el tiempo de inactividad o una caída del sistema.
Cómo Google utilizó DeepMind para optimizar la capacidad de refrigeración de sus centros de datos
En el artículo Smartening up: How AI and machine learning can help data centers, Peter Judge señala que desdde 2014, Jim Gao, un ingeniero de centros de datos de Google, comenzó a utilizar la tecnología DeepMind como motor de recomendación. En 2016, un par de redes neuronales habían aprendido a pronosticar las temperaturas futuras y ofrecer sugerencias sobre cómo responder de manera proactiva. Este uso de la IA permitió a Google optimizar la refrigeración de sus instalaciones en Singapur para reducir el coste de refrigeración del sitio en un 40 % y mejorar la eficacia del uso de la energía (PUE) de las instalaciones en un 15%.2
Durante 2018, Google aplicó el mismo enfoque utilizado en el centro de datos de sus instalaciones en Singapur y creó un sistema de refrigeración del centro de datos autónomo en el que la IA supervisaba la configuración operativa del centro de datos junto con la supervisión humana. Pensando en la seguridad, se colocó el listón para que el sistema automático redujera el coste de la factura de refrigeración solo en un 30 por ciento. Finalmente, el centro de datos experimentó una «reducción del 40 % en la cantidad de energía necesaria para refrigerar las instalaciones [y consiguió] la puntuación [PUE] más baja de su historia, con un 1,06».3
Para predecir cómo las acciones afectarían al consumo de energía y determinar la mejor opción para el futuro, el sistema de IA usaba miles de sensores y registraba cada cinco minutos instantáneas del sistema de refrigeración del centro de datos. Después, el sistema de IA alimentaba esta información a un sistema de IA basado en la nube y seleccionaba la que consideraba la mejor opción de acción. A continuación, esta acción se enviaba al centro de datos, donde era verificada por los operadores humanos del centro y, si la acción se consideraba segura, se realizaba.
Eventualmente, la IA aprendió a pronosticar cambios ambientales y a aprovecharlos. Por ejemplo, la IA aprovechaba las bajas temperaturas invernales para utilizar agua más fría, que reducía la energía necesaria para la refrigeración del centro de datos.
Cómo la IA y el aprendizaje automático ayudan a las empresas a conocer a sus clientes
Las empresas utilizan la IA y el aprendizaje automático para analizar la gran cantidad de información sobre los clientes almacenada en los centros de datos de sus empresas. Si el software de IA o aprendizaje automático se conecta con un sistema de gestión de relaciones con los clientes (CRM), podrá localizar y recuperar datos de los clientes que de otro modo no son utilizados por el sistema CRM. En última instancia, las empresas podrían usar la IA y el aprendizaje automático para crear estrategias para captar clientes, aumentar las tasas de éxito y reducir la rotación.
Cómo la IA y el aprendizaje automático ayudan a las empresas a usar pronósticos
Cuando se produce un gran cambio ambiental, las personas pueden reaccionar de forma exagerada o simplemente tomar decisiones equivocadas. En este ámbito de respuesta, la IA puede comportarse mejor que las personas, manteniendo la estabilidad con enfoques predictivos basados en lógica para elegir las mejores acciones.
Las fluctuaciones de temperatura entre los servidores de los centros de datos pueden desperdiciar muchos recursos tratando de controlar un servidor que está demasiado caliente. Si un servidor se pone temporalmente fuera de línea, la productividad del centro de datos se reduce drásticamente. Las empresas de gestión de infraestructuras de centros de datos (DCIM) trabajan para compensar este dilema mediante la integración de analítica predictiva con la IA y el aprendizaje automático.
Los datos en bruto de los sensores se procesan y se introducen en motores de modelado predictivo. La AI y el aprendizaje automático utilizan coincidencia de patrones para regular la temperatura y localizar señales de fugas de refrigerante. Algunos sistemas analizan y definen áreas de mejora en un sistema de IA.
Cómo Nlyte utiliza IBM Watson® para ir más allá de los pronósticos
Peter Judge señala que NIyte, un proveedor de DCIM, integró sus herramientas con IBM Watson en 2018. Los objetivos de esta colaboración eran mejorar la IA y el mantenimiento preventivo basado en el aprendizaje automático para ir «más allá de los pronósticos, hasta las cargas de trabajo y su gestión».
Judge continúa afirmando que la IA puede ayudar a reducir el tamaño de las cargas de trabajo y el riesgo de errores en las mismas. Cita a IoT Amy Bennett, un cliente potencial de marketing en Norteamérica para IBM Watson, quien dice que la AI es «un miembro del equipo del centro de datos [que] nunca se toma vacaciones».
El futuro de la IA y el aprendizaje automático
El último desafío sobre el uso de la IA y el aprendizaje automático para mejorar la gestión de la energía y la eficiencia de la refrigeración de los servidores de los centros de datos es que la IA y el aprendizaje automático algún día empezarán a generar rendimientos decrecientes. Una vez en este punto, la IA y aprendizaje automático podrían comenzar a usar el equilibrio inteligente de cargas y la orquestación de contenedores para mover las cargas de TI por sí mismos y reducir el coste energético.
Judge hace referencia a Suvojit Ghosh, director del Centro de Investigación de Infraestructura de Computación (CIRC), quien utiliza la IA para analizar los sonidos de un centro de datos y su relación con el consumo de energía. Ghosh trabaja para crear una IA que pueda pronosticar cuándo es necesario reparar o reemplazar algo. Esto puede combinarse con operadores e ingenieros humanos que podrían recibir de la IA los informes de estado del centro de datos y responder en consecuencia con acciones de reparación o resolución de problemas.
En el artículo How machine learning in data centers optimizes operations, Julia Borgini argumenta que el software de aprendizaje automático predice los problemas y los resuelve más rápido que nunca. El aprendizaje automático es una extensión del entorno del centro de datos híbrido y una rama floreciente de la infraestructura del centro de datos. Borgini afirma que «IDC predice que el 50 % de los activos de TI en los centros de datos funcionarán de forma autónoma utilizando funcionalidades de IA integradas antes de 2022».4
La IA y el aprendizaje automático podrían eventualmente alcanzar un punto donde el sistema realice las acciones digitales de forma autónoma y asigne robots para realizar las acciones físicas, como las operaciones y el mantenimiento físico diario del centro de datos. Esta capacidad futura de la IA para gestionar un centro de datos sin la necesidad de interacción humana crearía un modelo de centros de datos autosuficientes.
Recursos
- Techopedia Staff, Deep Learning, Techopedia, 13 de noviembre de 2017.
- Peter Judge, Smartening up: How AI and machine learning can help data centers, DCD Magazine, 31 de julio de 2019.
- Caroline Donnelly, Google Deepmind doubles down on AI-led efforts to improve datacentre energy efficiency, ComputerWeekly.com, 20 de agosto de 2018.
- Julia Borgini, How machine learning in data centers optimizes operations, TechTarget, 22 de julio de 2019.