Muchas organizaciones ahora reconocen que cuando introducen datos confidenciales en servicios públicos de IA como ChatGPT, esos datos se entrenan en el modelo. A su vez, esto significa que los datos podrían estar expuestos a cualquiera que utilice el modelo en el futuro. Las preguntas frecuentes de OpenAI establecen que los usuarios no deben compartir ninguna información confidencial con ChatGPT, ya que no hay forma de eliminar mensajes específicos del historial de un usuario.

De acuerdo con Eduardo Carvalho, director general de Equinix para Latinoamérica, “las empresas se están centrando en acelerar sus iniciativas de IA para servir mejor a sus clientes, empleados y socios. La creación de soluciones escalables de IA requiere que las empresas se adapten al intercambio, el almacenamiento y el procesamiento de grandes volúmenes de datos. Con la IA privada se puede extraer información empresarial de sus datos sin tener que sacrificar la privacidad o el control sobre esos datos”.

Con este panorama Equinix comparte cuatro factores para tomar en cuenta en las estrategias de negocio con la IA privada.

1. Asegurar de que la IA privada es lo más adecuado

Para las empresas de industrias altamente reguladas como la atención médica y los servicios financieros, los beneficios de la IA privada son obvios. Saben que deben evitar hacer cualquier cosa que pueda poner en riesgo sus datos confidenciales, por lo que la IA privada es una opción natural.

Es posible que las empresas de industrias no reguladas aún puedan beneficiarse de la IA privada, pero la propuesta de valor no siempre es tan clara. Estas empresas deben considerar las ventajas y desventajas: tanto el riesgo de fuga de datos como el costo y el impacto de la flexibilidad de utilizar IA en la infraestructura pública. Algunas empresas gravitan hacia la nube pública porque la ven como una forma fácil y rentable de obtener la infraestructura informática escalable que exigen sus modelos de IA. Sin embargo, acceder a la computación en la nube pública suele ser más costoso y difícil de lo esperado, en gran parte debido a las altas tarifas de salida de datos.

Si determina que los supuestos beneficios de la infraestructura de nube pública no son suficientes para compensar el riesgo potencial, entonces sabe que su empresa es un buen candidato para continuar con la IA privada.

2. Incorporar la gestión de datos a tu estrategia

A la luz de todos los rápidos avances de la tecnología de IA durante los últimos años, puede que valga la pena dar un paso atrás para considerar un hecho fundamental: sus modelos de IA sólo pueden ser tan buenos como los datos que les introduzca. Es por eso por lo que la gestión eficaz de los datos es esencial para el éxito de la IA privada.

Debe tener en cuenta cómo llevará los datos correctos a los lugares adecuados sin demora. Esto puede ser un desafío porque la infraestructura de IA está altamente distribuida. Una forma ideal de crear una arquitectura de datos preparada para la IA es mediante el uso de almacenamiento adyacente en la nube.

Lo anterior permitirá incorporar servicios de nube pública en su estrategia de IA privada mientras mitiga los riesgos, costos y complejidad potenciales. Es como tener lo mejor de ambos mundos para su infraestructura de IA: está lo suficientemente cerca de la nube como para poder acceder a los servicios cuando los necesita, pero también puede mantener su entorno de almacenamiento autorizado separado de la nube.

3. Considere las necesidades informáticas

El crecimiento explosivo de la IA ha provocado una mayor demanda de hardware GPU potente y los fabricantes aumentan sus esfuerzos para satisfacer esta demanda. La disponibilidad limitada de hardware podría impedir alcanzar los objetivos de la IA privada. Sin embargo, existen formas de evitar este cuello de botella y seguir obteniendo la capacidad informática que necesita.

Para esta problemática, las empresas podrían utilizar una solución Bare Metal como servicio como Equinix Metal® para ayudarle a implementar las CPU que necesita bajo demanda, sin altos costos iniciales. Además, incluso para cargas de trabajo que requieren GPU, tiene opciones más allá de implementar y administrar su propio hardware (después de esperar meses para la entrega).

4. Plan de sostenibilidad y eficiencia

Los objetivos de sostenibilidad son un pilar en las estrategias de negocio. Las cargas de trabajo de la IA (y las cargas de trabajo de capacitación en particular) pueden consumir mucha energía y para limitar su impacto en el medioambiente, es necesario que se ejecuten de una manera más eficiente.

Con este panorama, las nuevas tecnologías de liquid cooling para centros de datos desempeñarán un papel esencial en la operación de cargas de trabajo de alta densidad, como la IA, de forma energéticamente eficiente. También, es importante colocar las cargas de trabajo en lugares donde puedan extraer la energía con menor consumo de carbono de la red local. Una forma de lograrlo es trabajar con un socio de infraestructura digital que haya priorizado la inversión en energía renovable.

Amet Novillo, director general de Equinix para México, señala que la compañía ha estado probando exhaustivamente liquid cooling durante años y ya la emplea para soportar cargas de trabajo de producción. Los clientes pueden beneficiarse de esta infraestructura mientras trabajan para alcanzar su objetivo de hacer IA de manera sostenible.

“Es importante subrayar que Equinix anunció recientemente un servicio de nube privada totalmente administrado en asociación con NVIDIA. Este servicio hace que sea más rápido y fácil para los clientes obtener la infraestructura de IA avanzada que necesitan, junto con la colocación, las redes y los servicios administrados necesarios para alojar y operar esa infraestructura. La solución ofrece toda la flexibilidad que esperaría de una solución de nube pública, al mismo tiempo que le permite mantener el control sobre sus datos en un entorno privado”, dijo Amet Novillo.

Para conocer más sobre cómo la infraestructura digital adecuada puede habilitar la IA privada visite la página Indicador Equinix. Un espacio en el que los expertos de TI comparten cómo implementar la arquitectura de datos adecuada para la IA, utilizar la interconexión para reunir los diferentes componentes de su infraestructura de IA y superar los desafíos que implica la construcción de una infraestructura de IA sostenible.

Redacción C21