La IA se topa con los datos: por qué ya no basta con tener GPU potentes

Las inversiones de las empresas en inteligencia artificial suelen centrarse en la capacidad de cálculo: el acceso a GPU —procesadores gráficos que aceleran cálculos complejos—, el rendimiento de los modelos y el coste de ejecutarlos. Pero, a medida que se pasa de la experimentación a la aplicación a gran escala, otra parte de la infraestructura cobra cada vez más importancia: el almacenamiento de datos.

Los datos son necesarios en todas las etapas del ciclo de vida de la IA. Se recopilan y preparan, se envían a los sistemas de cálculo para entrenar los modelos, se guardan copias de control del proceso de entrenamiento —los checkpoints— y los materiales finales de los modelos. Además, hay que trasladar la información entre proveedores de infraestructura si cambian las necesidades del negocio o las condiciones de los servicios. Por eso, el almacenamiento se está convirtiendo en una parte estratégica de la infraestructura de IA e influye en su coste y fiabilidad.

Por lo general, los sistemas de almacenamiento se eligen en función de su capacidad, disponibilidad, velocidad y periodo de conservación. Para la IA hay otro factor importante: hasta qué punto el almacenamiento se ajusta a cada etapa del trabajo. Los datos que se están procesando en ese momento pueden exigir mucha velocidad. En cambio, los conjuntos de datos archivados, los checkpoints y los archivos de modelos suelen necesitar ante todo fiabilidad, protección, disponibilidad y un precio razonable. Si se aplica el mismo criterio a todo, parte de los recursos se desperdicia.

Mientras tanto, el volumen de datos sigue creciendo: las empresas crean nuevos conjuntos de entrenamiento, versiones de modelos y archivos asociados. El objetivo no es simplemente reducir el gasto en almacenamiento, sino colocar los datos en una infraestructura adecuada, manteniendo la velocidad, la seguridad y la disponibilidad necesarias. El autor del artículo llama a este enfoque sistemático AI storagemaxxing: optimizar el almacenamiento durante todo el ciclo de vida de la IA, teniendo en cuenta las necesidades del negocio y las cargas de trabajo.

Las empresas utilizan distintos tipos de infraestructura en la nube: grandes plataformas, proveedores especializados en GPU y nuevos servicios en la nube conocidos como neoclouds. Su disponibilidad y economía cambian, por lo que las organizaciones pueden querer trasladar sus cargas de cálculo a otro proveedor. A veces resulta más fácil mover los cálculos que los datos asociados.

Trasladar grandes conjuntos de entrenamiento y archivos de modelos puede ser caro y complicado desde el punto de vista organizativo. Si se cobra una cantidad considerable por enviar o recibir datos, la empresa corre el riesgo de quedar atada a la infraestructura que eligió en su momento, aunque las condiciones ya no le resulten convenientes. Por eso, la posibilidad de mover los datos debe tenerse en cuenta al diseñar el sistema, en lugar de acordarse de ella justo antes de una migración. Los estándares abiertos y las soluciones de almacenamiento compatibles entre sí ayudan a separar los datos de la plataforma de cálculo y a cambiar de infraestructura cuando haga falta.

A los directivos les conviene evaluar no solo el precio del espacio de almacenamiento, sino también el coste económico y estratégico total de alojar los datos en un entorno concreto. Los conjuntos de entrenamiento, la información propia de la empresa y los archivos de modelos pueden tener un gran valor comercial. Al mismo tiempo, cada vez hay más aplicaciones y sistemas automatizados que interactúan con los datos corporativos, por lo que la resiliencia del almacenamiento forma parte de la protección de la IA.

Las copias inmutables, unos permisos de acceso bien planteados y unos procedimientos de recuperación fiables ayudan a protegerse del ransomware, el borrado accidental y las modificaciones no autorizadas. Esto es especialmente importante con datos difíciles o caros de crear de nuevo. La seguridad debe valorarse junto con la velocidad y el precio: ahorrar no es optimizar si se crea un riesgo inaceptable de perder los datos o no poder recuperarlos.

Los costes de almacenamiento no incluyen solo el volumen, sino también el acceso, la recuperación y la transferencia de datos. Las tarifas impredecibles complican la planificación e influyen en la arquitectura elegida, sobre todo cuando hay que mover grandes volúmenes entre el almacenamiento y la infraestructura de cálculo. Un coste predecible permite elegir soluciones según las necesidades de la carga de trabajo, en lugar de por miedo a una factura inesperada por acceder a los propios datos.

Durante la fase de experimentación, las decisiones de infraestructura pueden ser temporales. En cambio, los sistemas de IA en producción pueden funcionar durante años y generar grandes volúmenes de datos asociados. Por eso, la estrategia de almacenamiento debe cubrir todo el ciclo de vida de la información, y no limitarse a un modelo o un despliegue.

La siguiente etapa de adopción de la IA corporativa exigirá mirar más allá del cálculo. Las GPU seguirán siendo importantes, al igual que la eficiencia de los modelos, pero es imposible optimizarlas de verdad sin tener en cuenta los datos. El enfoque AI storagemaxxing propone evaluar el almacenamiento con cuatro preguntas: ¿se adapta a la carga de trabajo?, ¿garantiza la protección y la recuperación?, ¿es predecible su coste? y ¿se pueden trasladar los datos sin obstáculos innecesarios si cambian las necesidades?

Este artículo se ha elaborado para TechRadar Pro Perspectives, una plataforma de opinión para especialistas del sector tecnológico. Las opiniones expresadas pertenecen al autor y no tienen por qué coincidir con las de TechRadar Pro o Future plc.