Del futur al present: els centres de processament de dades intel·ligents
En primer lloc, cal destacar que els costos d'energia s'incrementen anualment al voltant d'un 10% de mitjana a escala mundial, essent Espanya és un dels països que hi ha per sobre. Per tal de quantificar aquest fet, només als Estats Units els CPDs consumeixen una mitjana de 90.000 milions de kWh a l'any, mentre que els de tot el món utilitzen al voltant de 416 terawatts d'electricitat en aquest mateix període de temps. Veient l'excessiu consum d'electricitat, hi ha implementacions de la intel·ligència artificial per estalviar energia evitant el sobreescalfament dels equips. Aquest estalvi és possible mitjançant una predicció de la càrrega de treball futura i un sistema de distribució de càrregues, aconseguint reduir els costos i millorant notablement l'eficiència del sistema. De fet, hiperescalars estan implementant aquesta tecnologia ateses les millores en rendiment, monitoratge de dispositius, optimització en temps de processament i rapidesa en reducció de factors de risc. En un futur no gaire llunyà, podrem veure com aquests centres seran capaços d'automatitzar la majoria de les operacions, ja que encara que les càrregues i el volum de treball continuaran evolucionant amb l'augment de la quantitat de dades que es mouen, la IA ho farà també paral·lelament permetent així trobar nous usos per a aquesta.
En segon lloc, un altre àmbit en el qual la IA està sent determinant, sobretot en l'entorn dels centres de processament de dades, és en tot el que relaciona amb la disminució i la resolució d'accidents. D'una banda, cada cop és més i més comú descobrir CPDs capaços d'autogestionar-se a través d'eines com el deep learning per predir errors abans d'hora. Cal destacar que darrere de l'esmentat deep learning es troben les dades, les quals van molt més enllà de les que es poden extreure de registres i de mètriques de les plataformes de maquinari tradicionals, ja que les empreses no emmagatzemen la seva informació únicament al CPD sinó que ho fan de forma híbrida fent també ús del cloud. D'altra banda, aquests solen estar acompanyats també de sistemes de recomanacions basats en machine learning que permeten localitzar i resoldre qualsevol problema amb antelació. L'aprenentatge dut a terme ha d'estar sempre disponible on i quan calgui, contràriament els costos pujarien i l'eficiència es veuria afectada disminuint en conseqüència. Tal com es pot comprovar, el monitoratge intel·ligent, l'emmagatzematge de dades i la presa de decisions basades en aquests últims tornen a fer acte de presència i conforma així un sistema de prevenció d'accidents competitivament robust.
En tercer i darrer lloc, una altra funcionalitat que està agafant cada cop més força és la seguretat lògica dins dels centres de processament de dades. Actualment, hi ha sistemes capaços d'introduir, de tant en tant, sondes recol·lectores de dades que permeten correlacionar els diferents logs emmagatzemats fins al moment que fan possible detectar i bloquejar automàticament atacs difícils de prevenir, sent les Amenaces Persistents Avançades (APT) un clar exemple. Així doncs, aquesta tecnologia és capaç d'analitzar i identificar el comportament normal a les xarxes facilitant poder detectar una situació de riscos cibernètics en funció de les anomalies i desviacions en les infraestructures.
De cara a l'elaboració del projecte que s'ha d'efectuar a l'assignatura de “Gestió i planificació de xarxes”, s'investigarà més a fons sobre la inclusió de totes aquestes possibilitats que la IA pot arribar a oferir valorant-ne la viabilitat a l'entorn en què es desenvolupa el nostre cas i se us mantindrà informats sobre els avenços realitzats en posteriors entrades. Moltes gràcies pel vostre temps emprat a llegir-nos!
Arturo Moseguí i Enric Sasselli