La aplicación de proyectos de Inteligencia Artificial (IA) en los Centros de Datos está llevando sus principales indicadores a nuevas cotas de eficiencia, mejorando los niveles de servicio que ofrecen los Proveedores Cloud y reduciendo su impacto medioambiental. Gracias a estas tecnologías, es posible mejorar sensiblemente su eficiencia energética, optimizar la distribución de la carga o ayudar a mejorar la detección y resolución de incidentes.
Eficiencia energética
A medida que los Centros de Proceso de Datos (CPD) se vuelven cada vez más grandes, más complejos y están, cada vez, más conectados a la Nube, la Inteligencia Artificial se convierte en una herramienta esencial para evitar el sobrecalentamiento de los equipos. De esta manera, estos ahorran energía y se reducen los costes en este apartado.
Por ejemplo, en el caso del Centro de Datos de Arsys, la combinación de diferentes proyectos de consolidación y eficiencia de las instalaciones, unida a sistemas de Inteligencia Artificial aplicados a la monitorización y control de las salas técnicas, se espera alcanzar un PUE (Power Usage Effectiveness) de 1,25. Este indicador es el más extendido para medir la eficiencia de los Centros de Datos, y relaciona el consumo energético total de las instalaciones con el destinado al funcionamiento del equipamiento TI. Con un 1,25 de PUE, por cada kWh que consumen servidores o cabinas de almacenamiento, sólo 0,25 kWh se dedicarían al suministro de las instalaciones: climatización, iluminación, etc.
Optimización de los servidores
El análisis predictivo basado en la IA también ayuda en otra tarea crítica en la operativa del Centro de Datos: la distribución de las cargas de trabajo. Consigue que las cargas sean más predecibles y fáciles de gestionar, ya que las nuevas herramientas de IA aprenden de las experiencias y datos del pasado para ejecutar la distribución de carga de manera más eficiente en el futuro.
De esta manera, se realiza un mejor seguimiento del rendimiento del servidor, la utilización del disco y la congestión de la red. La optimización de los sistemas de almacenamiento del servidor, la búsqueda de posibles puntos de fallo en el sistema, la mejora de los tiempos de procesamiento y la reducción de los factores de riesgo se harán más rápidos. Esto, a su vez, facilita la máxima optimización del servidor posible.
Predicción de fallos y resolución de problemas
Asimismo, el tiempo de inactividad no planificado en un Centro de Datos puede suponer pérdidas económicas. Debido a ello, tradicionalmente los operadores han tenido que identificar rápidamente la raíz del fallo, priorizar su resolución y recuperar el sistema antes de que se produzca una pérdida de datos significativa o un impacto directo en el negocio.
En este sentido, los Centro de Datos que se autogestionan hacen uso de aplicaciones de Aprendizaje Profundo (Deep Learning) para predecir fallos antes de tiempo. Además, utilizando sistemas de recomendación basados en Machine Learning, las soluciones a cualquier incidente se localizan y atajan rápidamente o, incluso, antes de que se extiendan y provoquen degradaciones de servicios.
Monitorización inteligente y almacenamiento de datos
Por otra parte, al incorporar el Aprendizaje Automático, la Inteligencia Artificial puede asumir el trabajo rutinario de monitorizar enormes cantidades de datos y hacer que los profesionales de TI sean más eficientes en términos de la calidad de las tareas que manejan.
Junto con la monitorización de datos, también es necesario poder almacenar vastas cantidades de información de forma segura. La Inteligencia Artificial tiene el potencial de tomar decisiones más inteligentes sobre la optimización del almacenamiento o la organización por niveles. Esto ayuda a transformar la administración del almacenamiento aprendiendo los patrones de E/S y los ciclos de vida de los datos, ayudando a mejorar las soluciones de almacenamiento.
Seguridad lógica
La Inteligencia Artificial también permite mejorar la seguridad en los datos. Gracias a la introducción de sondas recolectoras de datos capaces de correlacionar logs, es posible detectar y bloquear automáticamente ataques difíciles de detectar. Un ejemplo, en las Amenazas Persistentes Avanzadas (APT), uno de los principales retos de seguridad en el Cloud.
Capacidad/operación
Por último, una de las principales tendencias en el CPD hoy en día es aplicar inteligencia o reglas automáticas basadas en redes neuronales para la gestión automática de muchas tareas susceptibles de automatización. De este modo, se facilita la planificación de recursos y la operación del CPD, a la vez que se presta un mejor nivel de servicio a los proyectos alojados.
Por tanto, con el uso de la Inteligencia Artificial en la gestión de la infraestructura del Centro de Catos, nos anticipamos en la predicción, prevención y resolución de cualquier contratiempo en las instalaciones, dando lugar a un aumento significativo de la eficiencia, consiguiendo mejoras operativas y una infraestructura más inteligente y fiable.
Como Directora de Operaciones de Arsys, Lorea Revilla define y coordina las líneas estratégicas de la compañía en materia de Seguridad IT, Ingeniería de Operaciones, Plataformas, Control de Calidad, Provisión y Soporte Técnico.
Ingeniera Superior de Informática por la Universidad del País Vasco, Lorea Revilla se incorporó en 2006 al departamento de Seguridad de Arsys, procedente de la consultora de ciberseguridad S21sec, y, desde entonces, ha desempeñado distintos cargos y responsabilidades en diferentes áreas técnicas de la compañía.