Por Canuto  

Una investigadora del MIT utiliza aprendizaje automático para reducir ineficiencias en la nube, donde algunos sistemas de gran escala operan con apenas una fracción de su capacidad.
***

  • Christina Delimitrou señala que muchos sistemas informáticos a gran escala funcionan alrededor del 15% de su capacidad, con un costo en eficiencia y sostenibilidad.
  • Su grupo desarrolla herramientas de aprendizaje automático para gestionar recursos, anticipar fallas y adaptar el software al hardware disponible.
  • La investigadora también advierte que la IA debe ser explicable y auditada, especialmente cuando interviene en sistemas y datos de usuarios.

El crecimiento de los centros de datos eleva la presión sobre las redes eléctricas y puede reforzar la dependencia de combustibles fósiles. Frente a ese desafío, Christina Delimitrou, profesora asociada del Instituto Tecnológico de Massachusetts (MIT), busca extraer más capacidad de los servidores y equipos de red que ya existen, en lugar de responder a cada aumento de demanda con nueva infraestructura.

Su grupo aplica aprendizaje automático a la gestión de recursos, el diseño de sistemas y la detección de problemas en aplicaciones en la nube. Según MIT News, la investigadora sostiene que una parte de la ineficiencia proviene de sistemas de software sobredimensionados y de equipos que no operan cerca de su potencial, una combinación que consume energía sin entregar un rendimiento equivalente.

La capacidad desaprovechada detrás de la nube

La computación en la nube permite que servicios como las plataformas de música o las videoconferencias usen recursos alojados en centros de datos, en vez de depender exclusivamente del dispositivo de cada usuario. Para mantener esas aplicaciones disponibles, los operadores coordinan servidores y redes a gran escala, pero la infraestructura puede desperdiciar recursos si sus componentes no se asignan de acuerdo con la demanda efectiva.

Delimitrou y Christos Kozyrakis, con quien trabajó en Stanford, encontraron que muchos sistemas informáticos de gran tamaño operaban cerca del 15% de su capacidad. La cifra contradice la expectativa de que una demanda elevada mantendría los equipos siempre cerca de su límite, y muestra por qué aumentar la infraestructura no resuelve por sí solo el problema del uso ineficiente.

La profesora advierte que, cuando los centros de datos trabajan muy por debajo de sus capacidades, pueden gastar más energía de la necesaria para atender a los usuarios. También identifica lo que describe como hinchamiento en el software: procesos y componentes que consumen recursos sin aportar una mejora proporcional al rendimiento de las aplicaciones.

Su propuesta es reducir esas ineficiencias sin perjudicar la experiencia de quienes utilizan los servicios. Si los operadores logran obtener más potencia computacional del hardware instalado, podrían atender una mayor demanda con los equipos disponibles y moderar la necesidad de construir nuevos centros de datos, aunque la investigación no presenta esa posibilidad como un resultado ya alcanzado en toda la industria.

Aprendizaje automático para administrar y anticipar fallas

Delimitrou empezó a estudiar la gestión de recursos durante su formación en ingeniería informática, en la Universidad Nacional Técnica de Atenas. Su tesis de diploma, realizada en el quinto y último año de la carrera, examinó cómo administrar una computadora que ejecuta varias aplicaciones a la vez; la escala de ese desafío la llevó a preguntarse cómo cambiaría el problema al pasar de una máquina a decenas de miles.

Después cursó una maestría en Stanford y enfocó su investigación en las ineficiencias de la computación en la nube y los centros de datos. Allí, junto con Kozyrakis, observó que los sistemas a gran escala podían estar subutilizados; ese trabajo la condujo a explorar el aprendizaje automático como una vía para automatizar la gestión de recursos y detectar soluciones que un desarrollador podría no encontrar manualmente.

La investigadora reconoce que aplicar aprendizaje automático a sistemas de gran escala era un enfoque novedoso y arriesgado cuando comenzó a hacerlo. A su juicio, la experiencia humana sigue siendo valiosa, pero resulta difícil gestionar manualmente sistemas de esa dimensión y comparar todas las alternativas posibles, por lo que los modelos pueden ayudar a agilizar procesos complejos.

Una herramienta de su grupo, Seer, emplea aprendizaje profundo para anticipar y prevenir problemas en aplicaciones web antes de que ocurran. El objetivo es evitar ralentizaciones que podrían extenderse mientras un desarrollador intenta corregir manualmente una falla, y reducir el tiempo en que una aplicación consume recursos sin ofrecer el rendimiento esperado.

Software, hardware y límites de la inteligencia artificial

El diseño de las aplicaciones en la nube también ha cambiado: ahora los desarrolladores suelen dividirlas en partes pequeñas que distribuyen entre varios servidores para acelerar su implementación. Delimitrou observó que los servidores no habían sido construidos necesariamente para ese estilo de trabajo, por lo que replanteó parte de sus investigaciones para abordar las necesidades de esa nueva generación de aplicaciones.

En el MIT, Delimitrou amplió sus colaboraciones entre especialistas de software y hardware. Su equipo rediseña sistemas de software para que se ajusten mejor a las capacidades del hardware existente y desarrolla métodos que buscan administrar de manera más eficaz los recursos compartidos.

La IA también apoya la depuración de aplicaciones y la búsqueda de problemas de seguridad que podrían exponer datos de usuarios a piratas informáticos. Sin embargo, Delimitrou advierte que estos modelos no siempre permiten entender con claridad cómo llegaron a una respuesta, por lo que su grupo trabaja en añadir explicabilidad y ofrecer retroalimentación útil a las personas que utilizan sus herramientas.

Ese esfuerzo importa tanto para comprobar si una recomendación es correcta como para aprender de ella y diseñar mejores sistemas en el futuro. Delimitrou sostiene que acelerar el desarrollo no elimina la necesidad de auditar la IA: sin una revisión cuidadosa, los equipos podrían perder la capacidad de comprender las soluciones que produce el modelo y de evaluar cómo aplicarlas.

Investigación con aplicaciones reales y formación de estudiantes

Estudiar sistemas comerciales plantea otra dificultad: las empresas que operan grandes centros de datos emplean hardware propietario y programas a los que los grupos académicos no siempre pueden acceder. Por eso, una solución que funciona en un laboratorio podría no trasladarse sin cambios al entorno real, donde el equipo y las aplicaciones tienen características distintas.

Para abordar esa brecha, el laboratorio crea réplicas de sistemas y aplicaciones propietarios. Ditto, una de sus herramientas, imita la estructura y las características de rendimiento de una aplicación para permitir distintos estudios, aun cuando los investigadores no dispongan del sistema original utilizado por una empresa.

La labor de Delimitrou también incluye la docencia en el MIT, donde disfruta de ayudar a los estudiantes a desarrollar su pensamiento independiente. Uno de sus cursos favoritos es 6.191, Estructura de Computación, una asignatura popular de pregrado que reúne a unos 350 estudiantes cada semestre; para mantener el material actualizado, procura apartarse de tareas formulaicas y plantear ejercicios abiertos.

Su trayectoria comenzó en una ciudad mediana de las llanuras del norte de Grecia, donde creció con interés por las matemáticas y las ciencias, alentada por una madre ingeniera química y un padre farmacéutico. Fuera del laboratorio comparte tiempo con su esposo y su hija de un año, y disfruta la jardinería, construir una vía de tren eléctrico de juguete, tocar piano clásico y pintar escenas naturales; para ella, el contacto con el aire libre también recuerda la relación entre su investigación y la sostenibilidad.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados