Si sigue las tendencias de la industria, apuesto a que su suministro de noticias ha estado lleno de historias interesantes y predicciones audaces sobre la IA, el aprendizaje automático (machine learning, ML) y las redes neuronales. Con titulares exagerados como «Cómo la inteligencia artificial autogestionará el centro de datos» y «¿Es 2018 el año en que las máquinas tomarán el control?», estoy seguro de que muchas personas ponen los ojos en blanco mentalmente al pasar a la siguiente historia. Con cualquier nueva tendencia, por supuesto, aparecen exageraciones, confusiones y afirmaciones engañosas. Y las empresas a veces quieren agarrarse de esto y reclamarlo para sí mismas antes de que las cosas se terminen de cocinar. Pero esto no significa que no haya algo de cierto detrás de toda la plática. Confío en el poder de la IA parar mejorar los centros de datos. Aquí, en el Centro de Investigación del Centro de Datos, creemos que el mayor impacto de la IA para los centros de datos de colocación será la confiabilidad y, en menor medida, la eficiencia. Además, creemos que demorará un poco más de lo esperado para que realmente se sienta el valor de la IA. Se deben superar algunos desafíos clave antes de que esta tendencia llegue a su fin. Voy a abordar esto en mi próximo blog sobre este tema.
¿Qué es la IA?
Hombre usando una laptop en el exterior La inteligencia artificial (AI) y el aprendizaje automático (ML) son dos términos que a menudo se usan indistintamente o se consideran sinónimos. La IA se refiere generalmente al concepto de que una máquina o sistema puede ser “inteligente” al realizar tareas y funciones basadas en la programación y la entrada de datos sobre sí misma o su entorno. El ML, por otro lado, es un enfoque o método para hacer que una máquina o sistema sea más inteligente… para permitir que sea más autónomo y autorregulable a medida que las condiciones cambian. La ML es básicamente la capacidad de una máquina o sistema para aprender y mejorar automáticamente su funcionamiento o funciones sin la intervención humana. Podría pensarse que el ML es la forma actual más moderna de incorporar IA en una máquina.
Una técnica para implementar el ML que se dice que está impulsando gran parte del avance actual en la IA, es el aprendizaje profundo (deep learning, DL). El DL es una forma de ML mucho más intensivo en computación. El aprendizaje profundo, también conocido como aprendizaje estructurado profundo o aprendizaje jerárquico, implica el análisis algorítmico de grandes cantidades de puntos de datos en múltiples niveles en los que la salida de un nivel se envía al siguiente de manera sucesiva. Este marco en capas a menudo se conoce como una “red neuronal” artificial debido a su parecido con las redes neuronales de los cerebros humanos. Este enfoque reduce el error y acelera el proceso de aprendizaje.
La inteligencia artificial representa un amplio espectro de capacidades. Los controles de sistemas mecánicos que utilizan PLC y servidores de automatización que han existido durante años, por ejemplo, son una forma de inteligencia artificial. Pero no es a eso a lo que se refiere la mayoría de las personas al usar ese término actualmente. Hoy en día, se trata de utilizar algoritmos de aprendizaje automático y aprendizaje profundo, redes neuronales para automatizar el funcionamiento de manera cada vez más autosuficiente, confiable, eficiente y adaptable, incluso cuando el entorno cambia en tiempo real.
El soporte técnico acelerado fortalece la base para la IA
Estos métodos de desarrollo de la IA (aprendizaje automático, aprendizaje profundo, redes neuronales, etc.) existen desde hace años, pero las limitaciones tecnológicas frenaron su progreso. En los últimos años, la Internet de las cosas (Internet of Things, IoT), los macrodatos y la disponibilidad de unidades de procesamiento gráfico (GPU) han acelerado enormemente su desarrollo y aplicación. La inteligencia artificial más avanzada depende, en parte, de cantidades masivas de datos relacionados/correlacionados a partir de los cuales se desarrollan algoritmos y, luego, se usan para permitir que las máquinas aprendan y tomen decisiones. La cantidad de datos ambientales y de dispositivos ha crecido exponencialmente gracias a la disminución de los costos de los sensores, la conectividad de red, el almacenamiento y el ancho de banda. El desarrollo del análisis de los macrodatos significa que se pueden manejar estos datos ricos y su valor puede extraerse más rápidamente y con menos recursos que en el pasado. Además, el procesamiento de estos datos en tiempo real con una tasa de error baja requiere potentes capacidades de procesamiento paralelo que ahora son posibles gracias a las GPU actuales. Estas tendencias han creado una base tecnológica para aplicar la IA en los centros de datos.
Los métodos actuales de IA basados en el aprendizaje automático son ideales para hacer dos cosas fundamentales:
1. Reconocimiento de patrones en conjuntos de datos muy grandes y bien etiquetados: por ejemplo, reconocimiento de imágenes y procesamiento de lenguaje natural.
2. Automatización de procesos y servicios actuales que requieren datos en la toma de decisiones, como en servicios, mantenimiento y reemplazo de hardware.
No obstante, existen algunos desafíos clave relacionados con los datos que deben resolverse antes de que la IA basada en el aprendizaje automático se desarrolle ampliamente en la industria y los proveedores de colocación la adopten. Mi próximo blog explicará cuáles son.
La IA aumentará el rendimiento de los proveedores de colocación
Sin embargo, estoy seguro de que la industria resolverá estos desafíos que, de muchas maneras, ya se están enfrentando ahora. Los centros de datos de colocación, por supuesto, se esfuerzan por ser eficientes con recursos y rápidos para implementar nuevas capacidades, sin poner en riesgo la disponibilidad para sus inquilinos. El análisis de datos y, cada vez más, la IA se convertirán en herramientas para que los proveedores mejoren su rendimiento en estos puntos. Lea este otro blog que habla de la opinión y predicciones tempranas de Schneider sobre la IA.
Añadir comentario