La inteligencia artificial y su impacto en la industria tecnológica (I)
- Actualidad
El potencial disruptivo de la inteligencia artificial se percibe principalmente en la automatización y en la mejora de servicios, pero este avance está revolucionando la tecnología desde su base. De hecho, la industria de los semiconductores está viendo nacer nuevos componentes creados específicamente para la inteligencia artificial, que poco a poco están configurando un mercado propio.
En los últimos años, la inteligencia artificial ha evolucionado bastante y se ha diversificado en diferentes disciplinas, aportando diversos grados de automatización inteligente a ciertos entornos y aplicaciones digitales. Muchos de ellos no son de nueva creación, pero con la incorporación de la IA han sufrido una transformación radical que los ha convertido en puntales de los nuevos modelos de gestión y de negocio de las organizaciones. Ejemplos de ello se pueden ver en diversas formas de tratamiento de la información, como la analítica inteligente de big data o el machine learning (ML), con variantes como el deep learning (DL).
También en toda una nueva generación de interfaces de comunicación hombre-máquina, que se basan en el procesamiento del lenguaje natural (NLP) o la visión artificial. Ejemplos de ellos son los chatbots inteligentes, pero también ciertos sistemas de visualización con fines de análisis o de seguridad, que emplean la visión artificial y se apoyan en una IA para el reconocimiento automático de lo que se capta en el campo de visión de una cámara.
Además, existen diferentes vertientes de la inteligencia artificial que se están aplicando al control automatizado de procesos industriales, a la monitorización de sistemas e infraestructuras en tiempo real, y que poco a poco van ganando terreno en los sectores industriales y en las empresas de logística, telecomunicaciones y tecnología en general. Las ventajas que aporta la IA en todos estos ámbitos y en los que se sumarán en el futuro son muchas, y también los cambios que introducen en los entornos de trabajo y en los servicios a los consumidores y usuarios.
Los beneficios de estas tecnologías ya se están percibiendo de forma tangible en las industrias que han apostado por la inteligencia artificial, donde están ayudando a conseguir una mayor agilidad en el trabajo diario y también beneficios económicos directos. Por una parte, permiten un ahorro importante de costes y agilizan mucho gran cantidad de procesos administrativos y repetitivos. Por otra, ayudan en campos clave de los negocios, proporcionando recomendaciones para las estrategias de mejora de la experiencia del cliente. Y sus casos de uso no paran de crecer, a medida que el desarrollo de software, y también el hardware asociado, permiten trasladar la IA a nuevos entornos.
La inteligencia más allá del software
El origen de la IA está en el ámbito del software, ya que su “inteligencia” proviene de la programación, bajo conceptos diseño que persiguen dotar a las “máquinas” de capacidades similares al ser humano, o que puedan superarlo en tareas como el cálculo o la extracción de conclusiones en base a la información proporcionada. Pero esta tecnología tiene una vinculación cada vez más estrecha con el hardware, debido a los requisitos técnicos que exige una IA compleja. En general, esta avanzada tecnología requiere un hardware potente para funcionar con agilidad. Y, cuanto más compleja sea la IA y más datos deba manejar, más elevados serán estos requisitos.
Hasta aquí es como en otros campos de la informática, en los que, cuanto más complejo sea el trabajo a realizar, más potencia de cálculo se necesita. Pero, a medida que se ha ido sofisticando la inteligencia artificial, las tecnologías que hasta ahora han sido el estándar de la industria han ido mostrando ciertas debilidades, y nuevas tecnologías están surgiendo para tratar de responder a los requisitos de la IA.
Impulso de las tecnologías de hardware más potentes y disruptivas
Cada cierto tiempo surge una tecnología que pone a prueba los límites del hardware más potente, y la inteligencia artificial, en sus diferentes formas, se ha convertido en un importante motor de cambio para las diferentes tecnologías informáticas. Desde la propia potencia de computación, representada por los procesadores, a la memoria de trabajo y de almacenamiento a la propia arquitectura de redes de datos. Todo ello debido a que la inteligencia artificial necesita trabajar con grandes volúmenes de información a la máxima velocidad, algo que afecta a toda la cadena de datos.
A esta necesidad incesante de potencia de cálculo y de velocidad de acceso a los datos se suma que los usos de la IA raramente son estrictamente locales. En muchos casos, la inteligencia artificial debe trabajar con información proveniente de diferentes repositorios, que pueden ser plataformas de almacenamiento a largo plazo que contienen datos históricos, otros que se generan en tiempo real, almacenamiento en la nube e, incluso ubicaciones en el borde.
La inteligencia artificial se está expandiendo y las tecnologías en que se basa deben evolucionar para proporcionar la potencia informática que requiere. Esto está teniendo un profundo impacto en la industria de semiconductores, que es la encargada de concebir y fabricar los chips y componentes microelectrónicos que soportan las exigentes cargas de trabajo de la IA en sus distintas vertientes.
GPU vs CPU
Tradicionalmente, las CPU (Central Processing Unit) han sido las responsables de procesar los datos en servidores. Su tecnología ha ido evolucionando para incrementar la cantidad de núcleos de procesamiento, a la vez que se ha sofisticado su arquitectura mediante diseños más complejos, de tamaño más reducido y con una mayor eficiencia. El fabricante por excelencia de estos componentes es Intel, cuya categoría estrella está formada por los procesadores Xeon, y más recientemente por la segunda generación de Xeon escalables, que ya se están instalando en los servidores de la mayoría de proveedores de equipamiento para centros de datos.
Pero ante la enorme capacidad de procesamiento que exige la inteligencia artificial, las CPU convencionales se quedan cortas y presentan una limitación del número de chips que se pueden instalar en una palca base de servidor. La industria ha desarrollado configuraciones cada vez más complejas de equipos capaces de mover las aplicaciones de inteligencia artificial, pero constituyen normalmente equipos voluminosos y muy caros.
Mientras tanto, a medida que la inteligencia artificial ha ido avanzando y exigiendo cada vez más potencia de procesamiento, otros fabricantes han tomado la delantera, desarrollando plataformas específicas para la IA con tamaños inferiores y un rendimiento potencial muy superior y especialmente pensado para la especial naturaleza de la IA. Por un lado, están determinados fabricantes de equipamiento para centros de datos, como Huawei, que han desarrollado chips pensados para estos usos en los centros de datos, bajo plataformas propietarias.
Por otro, están los fabricantes de GPU (Graphic Processing Unit), que se conocen por las tarjetas gráficas para juegos, pero que llevan décadas desarrollando tecnologías de corte profesional para el cálculo avanzado. El principal es Nvidia que durante el año pasado lanzó una solución específica para la inteligencia artificial. Las ventajas que aportan las GPU es que tienen una arquitectura estructurada en muchos más núcleos, lo que permite un mayor número de procesamientos paralelos que las CPU, gracias a que, en vez de decenas, tienen miles de núcleos.
Además, este tipo de procesadores está especializado en el cálculo matemático y físico avanzado, algo que encaja muy bien con las operaciones que llevan a cabo determinadas aplicaciones de inteligencia artificial como el machine learning. Aunque en el último año esta compañía no ha tenido sus mejores resultados económicos, su apuesta por las plataformas pensadas para la IA podría dar importantes frutos a partir de este año. Esto se debe a que han ideado un concepto de plataforma que comienza con un modelo relativamente básico, pero altamente escalable. Gracias a esto se pueden configurar máquinas “pequeñas” para comenzar proyectos de IA, que después pueden crecer para trasladar estas aplicaciones a entornos reales más amplios.
Puedes leer la segunda parte de este reportaje en este enlace.
