Las cargas de trabajo de IA necesitan una red robusta y bien gestionada. Una red con amplio ancho de banda, baja latencia, seguridad y escalabilidad y que funcione de manera efectiva todo el tiempo.
Esto nos lleva a preguntarnos: la infraestructura de red de las organizaciones, ¿está preparada para esta tecnología?
De acuerdo con la encuesta “Diseñar una ventaja de IA”, realizada por Sapio Research, el 93% de los líderes de IT considera que su infraestructura de red está configurada para soportar el tráfico de la inteligencia artificial, y el 84% sostiene que sus sistemas tienen la flexibilidad suficiente para soportar las demandas únicas en las diferentes etapas del ciclo de vida de la IA.
No obstante, existe una contradicción alarmante. La red aparece en la quinta posición de la lista de prioridades de inversión de los responsables de tecnología a la hora de hacer frente a los esfuerzos en materia de IA.
La red desempeña un rol central en el éxito de la IA a largo plazo. Por lo tanto, si no se le otorga la debida importancia o inversión, pueden aparecer fallas de seguridad, bajo rendimiento y estancamiento de las iniciativas.
A continuación, explicamos qué rol juega la red IT y detallamos cuáles son las cualidades que debe tener para facilitar el funcionamiento de las cargas de trabajo de IA.
¿Qué papel adquiere la red IT en el ciclo de vida de la inteligencia artificial?
Si bien la red es un elemento central para el adecuado despliegue de las iniciativas de IA, adquiere un rol preponderante en las fases principales de deployment: adquisición de datos, entrenamiento y ajuste de modelos e inferencia. Veámoslo en detalle.
Etapa de adquisición de datos
No hace falta que lo digamos: los datos son el motor que impulsa cualquier proyecto de IA.
Para que los modelos puedan tomar decisiones inteligentes y precisas, necesitan tener acceso a conjuntos de datos diversos y de gran tamaño para aprender. Es aquí que entra en acción la red.
Es la encargada de capturar, asegurar y transportar los datos de forma rápida y fácil desde cualquier fuente a cualquier destino, ya sea el extremo, el centro de datos o entornos cloud.
Ahora bien, para poder hacerlo, debe tener una estructura de conectividad integrada con una interfaz única de los servicios operativos que operan del extremo a la nube.
Los endpoint access son ubicaciones clave, porque es donde las empresas generan y consumen datos sin necesidad de viajar por la nube o el datacenter para su procesamiento.
Por otro lado, el extremo también aloja dispositivos IoT, que proporcionan a la IA una fuente completa de datos para el entrenamiento y la inferencia.
La red debería poder operar como una suerte de rampa que entrega rápidamente datos de alta calidad ricos en información, capturados y procesados en el extremo y transportados a donde sea preciso, ya sea en un datalake para entrenar modelos de IA o en operaciones para inferencia.
Etapa de entrenamiento y ajuste de modelos
Una vez capturados, los datos se utilizan para entrenar el algoritmo. El entrenamiento constante de modelos de IA con grandes cantidades de datos es una actividad intensa que requiere una capacidad informática elevada, con baja latencia e interconexiones de red de alto rendimiento con cientos (o miles) de GPU.
Por lo tanto, la red debe estar preparada para brindar un rendimiento optimizado, energéticamente eficiente y predecible para el entrenamiento y ajuste de diferentes entornos de cargas de trabajo de IA multiusuario.
Etapa de inferencia de la inteligencia artificial
Durante esta fase, los modelos de IA recién entrenados se despliegan en el destino que requiera cada organización para su ejecución (on-premise, entornos cloud o en el extremo), a fin de que la nueva data generada pueda analizarse para actuar con rapidez y crear valor.
Las cargas de trabajo de inferencia necesitan aceleración por GPU para grandes modelos, aunque algunas aplicaciones pueden funcionar solo con CPU.
De cualquier manera, la red debe ofrecer una conectividad con un rendimiento adecuado. Si no lo hace, pueden surgir problemas de latencia y pérdidas que afectarán drásticamente a la eficacia del modelo.
¿Cómo debe ser una red IT que facilite el funcionamiento de las cargas de trabajo de IA?
Las arquitecturas de inteligencia artificial de última generación necesitan una red flexible que sea capaz de proporcionar una conectividad con la combinación adecuada de alto rendimiento y baja latencia. Esto garantiza la mayor velocidad de aprovisionamiento, independientemente de si la solicitud de la IA es de entrenamiento, ajuste o inferencia.
Para asegurarse de que su estrategia de redes para la inteligencia artificial es adecuada, las organizaciones deben prestar atención a 4 aspectos clave que dan cuenta de la efectividad de la network para el despliegue y funcionamiento de las cargas de trabajo de IA.
Infraestructura amplia
Para resolver una gran cantidad de casos de uso de IA diferentes, las compañías tienen que poner en marcha el conjunto más amplio de opciones de conectividad, a fin de que la red pueda recopilar todos los datos, más allá del lugar donde se generen.
Las opciones deben ir más allá de las conexiones cableadas e incluir la conexión wifi con un soporte totalmente integrado que conecte y gestione los dispositivos IoT y el 5G privado que amplía los casos de uso de LAN inalámbrica.
Un mayor número de opciones wifi, como Wi-Fi 6E y Wi-Fi 7, ofrecen acceso a la banda de 6GHz para obtener más capacidad, canales más amplios y menos interferencias, lo que implica una conectividad más robusta para las exigencias de las aplicaciones de inteligencia artificial que aprovechan los datos del IoT.
Visibilidad y control unificados
Implementar un amplio conjunto de opciones de conectividad puede desembocar fácilmente en una infraestructura con silos.
