Consideraciones únicas para la IA empresarial

Por Julio Castrejón, Country Manager México en Pure Storage

Retrato Julio Castrejón, Country Manager México en Pure Storage
Julio Castrejón, Country Manager México en Pure Storage

La inteligencia artificial (IA) es una prioridad para los ejecutivos, líderes empresariales, inversores y la mayoría de los empleados en el lugar de trabajo en todo el mundo. Se espera que los impactos sean grandes, profundos y amplios en todas las industrias, que tengan efectos tanto a corto como a largo plazo, que tengan un potencial significativo para ser una fuerza para bien, y que sean una preocupación continua para todas las personas. 

 

Al enfrentar estos escenarios de cambio, los líderes empresariales se enfrentan a muchas preguntas, decisiones y requisitos nuevos, incluida la gran pregunta: ¿Estos tiempos de cambio nos ayudan a hacer avanzar nuestra organización o son un detractor en nuestra organización? 

 

Una introducción sólida, racional, bien justificada y estratégica de las nuevas tecnologías de IA en las empresas puede ofrecer un mejor equilibrio en las rápidas pendientes del cambio tecnológico. Específicamente, Pure Storage analiza las principales consideraciones desde la perspectiva de aquello que alimenta las aplicaciones de IA empresarial: los algoritmos, los datos y la infraestructura de IA empresarial.

 

1. La IA no es mágica: La IA es matemática y, en la mayoría de los casos, se basa en inferencias estadísticas muy profundas sobre grandes conjuntos de datos. Lo importante aquí son las probabilidades condicionales. Las probabilidades condicionales multivariables muy profundas forman esencialmente la base de ChatGPT y otros modelos de lenguajes grandes (LLM). No es magia y la IA ciertamente no es un ser sensible. Observa los números, las matemáticas, involucra los cuantificadores y encuentra los patrones, tendencias y conocimientos en los datos que generarán valor comercial.

 

2. La IA se alimenta de datos: La IA devora datos. Los científicos de datos utilizan la ciencia de datos con las matemáticas en colaboración con analistas de negocios, todo lo cual es implementado en la empresa por ingenieros de datos e ingenieros de aprendizaje automático. 

 

Cuando se trata de aplicaciones de IA y análisis de datos en tiempo real en la empresa con requisitos de baja latencia, el entorno de infraestructura de datos ideal también estará en las instalaciones. El almacenamiento local proporciona acceso rápido, seguro y controlado por políticas a fuentes de datos para usuarios y aplicaciones empresariales de IA/ML, especialmente cuando las restricciones de privacidad u otros requisitos legales deben mantenerse y ejecutarse localmente.

 

3. La precisión de los datos de entrada no es negociable: Las implementaciones de IA/ML requieren un etiquetado preciso de los datos de entrada por arte de expertos en el dominio y un seguimiento similar de validación y verificación de los resultados de salida por parte de expertos para toda la IA/ML. Sin una procedencia rastreable y análisis de registros en dichas facetas de los datos en el sistema de almacenamiento, los procesos empresariales de IA/ML pueden ralentizarse y/o disminuir su precisión. Esto es especialmente crítico cuando hay una desviación de datos o de conceptos, que se vio mucho durante la era de la pandemia.

 

4. Considera la deriva de datos y de conceptos: La construcción de modelos se centra en encontrar la función F que asigna los datos de entrada x a una salida, y=F(x). Pero los modelos no pueden permanecer estáticos en un mundo altamente dinámico dentro de un entorno operativo empresarial en evolución. 

 

La deriva de datos ocurre cuando los datos comerciales de entrada x han cambiado. La deriva del concepto ocurre cuando la salida ha cambiado. La detección oportuna y rastreable de dichos cambios y la posterior generación de actualizaciones utilizables para las entradas (x), las salidas (y) y/o los modelos (F) son posibles gracias a una rápida infraestructura de almacenamiento de datos local preparada para IA.

 

5. Presta atención a la IA con AIOps integrados: Una infraestructura de datos preparada para la IA también debería tener IA integrada para “observar” los almacenes de datos, detectar anomalías, interrupciones, demandas de uso en evolución, requisitos predictivos de carga de capacidad y cambios en el rendimiento del flujo de trabajo de la IA impulsado por datos. 

 

Estas capacidades AIOps, integradas en la infraestructura de almacenamiento de datos, no solo deben monitorear las características de la carga de trabajo, sino que también deben proporcionar información proactiva, automatizar la corrección u ofrecer sugerencias para mejorar los resultados. 

 

6. Mantente a la vanguardia de la ola de IA: El almacenamiento está diseñado para la IA cuando es consistentemente rápido, fácil de usar y puede alimentar datos a las GPU para muchos flujos de trabajo de IA diferentes de una manera escalable y altamente paralela. Se puede dimensionar para abordar muchas cargas de trabajo de IA actuales y escalar sin interrupciones a medida que se expanden los datos y las iniciativas de IA. 

 

7. Cuida el TCO con flash y un socio de almacenamiento confiable: La nueva ola de sistemas de almacenamiento flash de menor costo reduce el costo total de propiedad (TCO) del almacenamiento de datos local en comparación con las unidades de disco duro (HDD). También se puede lograr un menor TCO al comparar los últimos sistemas de almacenamiento flash con el almacenamiento en la nube, ya que las soluciones de IA/ML implementadas a menudo deben ejecutarse continuamente y, por lo tanto, no son rentables en la nube. 

 

Por lo tanto, tener un socio de almacenamiento de datos confiable (como Pure Storage) que brinde consultas y asesoramiento técnicos para ayudar a los clientes a tomar esas decisiones es invaluable, especialmente un socio que comprende el valor y ofrece soluciones híbridas personalizadas.

 

8. Has coincidir la solución tecnológica con los requisitos técnicos y ten en cuenta la deuda técnica: Las soluciones de almacenamiento empresarial para aplicaciones de IA pueden requerir soluciones personalizadas en diferentes mercados verticales y aplicaciones comerciales, como la gestión del capital humano, las ciencias de la salud y la vida, el gobierno, los servicios financieros, la fabricación, la cadena de suministro, la logística, etc. 

La infraestructura preparada para la IA puede ayudar a acelerar la implementación y debe compararse con configuraciones personalizadas y más especializadas. ¡Pero cuidado! A medida que evolucionan las tecnologías, las innovaciones, las aplicaciones y los requisitos, una empresa corre el riesgo de incurrir en una deuda técnica significativa. Por lo tanto, un socio de almacenamiento de datos que ofrezca actualizaciones no disruptivas a los sistemas de almacenamiento, racks y controladores existentes puede mantener la IA empresarial avanzando a través de la oleada de cambios ahora y en los años venideros.

 

9. Ser consciente del impacto ambiental: La IA empresarial incluye cargas de trabajo con uso intensivo de computación, y esas cargas de trabajo aumentan año tras año, en lugar de disminuir. Por lo tanto, lo ideal sería que dichas operaciones evolucionaran con una interrupción, una huella y un impacto ambiental mínimos en el centro de datos. 

 

A medida que los requisitos, las aplicaciones y las expectativas de la IA empresarial continúan creciendo y multiplicándose, los administradores de los centros de datos deben considerar cómo cumplir esos objetivos ESG y Evergreen y sus objetivos de TCO sin multiplicar el número de unidades de almacenamiento dentro del centro de datos.

Version Digital

Solo para suscriptores
Dale Click a la portada

 


Recibe las noticias mas relevantes de marketing y negocios
gota a gota