IDC presentó el informe AI InfrastructureView, que analiza las tendencias de adopción de la infraestructura y la infraestructura como servicio para los casos de uso de la Inteligencia Artificial y el aprendizaje automático (IA/ML).
De lo expuesto en el estudio se concluye que, aunque las iniciativas de IA/ML ganan terreno de forma constante, ya que el 31% de los encuestados afirma tener IA en producción, la mayoría de las empresas todavía se encuentran en una fase de experimentación, evaluación/prueba o prototipo.
De ese 31%, sólo un tercio afirma haber alcanzado un estado de adopción maduro en el que toda la organización se beneficia de una estrategia de IA en toda la empresa.
Para las organizaciones que invierten en IA, la mejora de la satisfacción del cliente, la automatización de la toma de decisiones y la automatización de las tareas repetitivas son los tres principales beneficios declarados para toda la organización.
Estos resultados llevan a Peter Rutten, vicepresidente de investigación y líder global de investigación en Soluciones de Computación Intensiva de Rendimiento, a declarar que “la investigación de IDC muestra de forma consistente que la falta de capacidades de infraestructura inadecuadas o creadas a propósito son a menudo la causa del fracaso de los proyectos de IA. Con esto en mente, IDC se propuso profundizar en la forma en que las organizaciones evalúan e invierten en soluciones de infraestructura como parte de su estrategia de IA. Nuestros hallazgos y análisis proporcionan una gran cantidad de puntos de datos para que los vendedores y proveedores de servicios aborden las necesidades de sus clientes y prospectos”.
De esta manera, las principales conclusiones de la investigación de IDC son:
· La infraestructura de IA sigue siendo una de las decisiones de infraestructura más consecuentes pero menos maduras que las organizaciones toman como parte de su empresa futura. Las organizaciones aún no han alcanzado un nivel de madurez en su infraestructura de IA, lo que incluye las inversiones iniciales, la realización de los beneficios y el retorno de las inversiones, y la garantía de que la infraestructura escala para satisfacer las necesidades del negocio. Los altos costes siguen siendo el mayor obstáculo para las inversiones, lo que lleva a muchos a ejecutar sus proyectos de IA en entornos de nube pública compartida. Los costes iniciales son elevados, lo que lleva a muchos a recortar gastos y agravar el problema. Las personas, los procesos y la tecnología siguen siendo las tres áreas clave en las que se encuentran los retos y en las que las organizaciones deben centrar sus inversiones para obtener mayores oportunidades.
· El tratamiento de los datos es el mayor obstáculo para las organizaciones a la hora de invertir en infraestructura de IA. Las empresas carecen de tiempo para construir, entrenar y desplegar modelos de IA. Dicen que gran parte de su tiempo de desarrollo de la IA se dedica sólo a la preparación de los datos. Muchas también carecen de la experiencia o la capacidad para preparar los datos. Esto está dando lugar a un nuevo mercado de modelos de IA preformados. Sin embargo, como todo lo que se vende por separado, los modelos preformados tienen sus limitaciones, entre las que se incluyen la disponibilidad y adaptabilidad del modelo, las limitaciones de la infraestructura para ejecutarlo y la falta de experiencia interna. El tamaño de los modelos también está creciendo, lo que dificulta su ejecución en infraestructuras de uso general. Las organizaciones esperan que, una vez superado este obstáculo, trasladen sus esfuerzos a la inferencia de IA.
· Las inversiones en infraestructura de IA siguen los patrones conocidos en términos de tecnologías de computación y almacenamiento en las instalaciones, en la nube pública y en el Edge. Las empresas están aumentando sus inversiones en servicios de infraestructura en la nube pública, pero para muchas de ellas las instalaciones son y seguirán siendo la ubicación preferida. En la actualidad, la formación e inferencia de la IA se divide a partes iguales entre la nube, las instalaciones y el Edge. Sin embargo, muchas empresas están cambiando hacia conductos de datos de IA que se extienden entre su centro de datos, la nube y/o el Edge. Éste ofrece continuidad operativa cuando no hay conectividad de red o ésta es limitada. La seguridad/cumplimiento de normativas y el coste también juegan un papel importante. La computación acelerada por la GPU, los procesadores de host con software de refuerzo de la IA y los clústeres de alta densidad son los principales requisitos de la infraestructura de computación local/de borde y basada en la nube para el entrenamiento y la inferencia de la IA. La computación acelerada por FPGA, los procesadores de host con software de refuerzo de IA o GPU en las instalaciones, y los sistemas de escalado de tipo HPC son las tres principales prioridades para la infraestructura de computación en las instalaciones o en la nube para la inferencia de IA. En la nube, las prioridades más altas son la aceleración de la GPU y un procesador anfitrión con AI-boost, seguidos de clusters de alta densidad. En este momento, hay más cargas de trabajo de IA que utilizan bloques y/o archivos que objetos.
“Tenemos claro que la mayoría de las organizaciones se han embarcado o se embarcarán de forma inminente en su viaje hacia la IA”, aseveró Eric Burgener, vicepresidente de investigación, Almacenamiento e Infraestructura de Sistemas Convergentes en IDC. “Lo que está cada vez más claro es que la obtención de conocimientos y resultados empresariales consistentes, fiables y comprimidos requiere inversiones en una infraestructura construida a propósito y del tamaño adecuado”, agregó.
Finalmente, en opinión de Ashish Nadkarni, vicepresidente del grupo de Infraestructura Mundial de IDC, “la Computación Intensiva en Rendimiento (PIC), que es el proceso de realizar cálculos matemáticos intensivos a gran escala y que se utiliza para procesar grandes volúmenes de datos o ejecutar conjuntos de instrucciones complejas de la manera más rápida posible, es un área de investigación estratégica para IDC. Las soluciones PIC se utilizan habitualmente en casos de uso de inteligencia artificial, modelado y simulación, también conocidos como computación de alto rendimiento (HPC), y Big Data y analítica (BDA)”.
