Por qué los centros de datos de IA necesitan un nuevo modelo de calidad, seguridad y gobernanza
La inteligencia artificial (IA) y la computación en la nube siguen impulsando una expansión sin precedentes de la infraestructura de los centros de datos. Respaldados por billones de dólares en inversión de capital, los hiperescaladores y los proveedores de servicios en la nube tienen previsto construir cientos de nuevas instalaciones en todo el mundo durante la próxima década. A medida que estos centros de datos se amplían para dar soporte al entrenamiento y la inferencia de IA basados en la nube, las exigencias operativas superan los límites de diseño y los modelos de gobernanza de las infraestructuras heredadas, así como los marcos de calidad y seguridad.
Una infraestructura diseñada en torno a parámetros térmicos y de potencia fijos, evaluaciones de riesgo periódicas y controles aislados no puede dar soporte de manera eficiente a la computación con alta densidad de aceleradores ni a las pilas de software dinámicas. Esto aumenta la probabilidad de interrupciones del servicio, deterioro del rendimiento y fallos operativos en cadena en los sistemas que garantizan la continuidad del negocio y los servicios públicos.
De los centros de datos tradicionales a una infraestructura centrada en la IA
Durante décadas, los centros de datos han dado respuesta a una amplia variedad de casos de uso, desde la TI empresarial y los servicios en la nube hasta las instalaciones de coubicación, los centros de conexión de operadores, las estaciones de aterrizaje de cables y las pasarelas de satélite. A pesar de las diferencias en cuanto a escala y propiedad, la mayoría compartía unos fundamentos técnicos comunes. Las arquitecturas de servidores, los equipos de red, los sistemas de almacenamiento y los modelos operativos similares permitían al sector gestionar el riesgo mediante prácticas de diseño consolidadas y una optimización gradual.
Por el contrario, los centros de datos de IA incorporan arquitecturas de computación centradas en aceleradores, normalmente construidas en torno a clústeres densos de GPU optimizados para el procesamiento paralelo. Las cargas de trabajo cambian continuamente a medida que los modelos se entrenan, se reentrenan y realizan inferencias a gran escala, lo que genera una demanda energética extrema y muy variable. Las estrategias de refrigeración se basan cada vez más en enfoques líquidos o híbridos, en lugar de en los sistemas tradicionales basados en aire. Estas demandas de energía y refrigeración alteran los modos de fallo e imponen una carga sostenida sobre la infraestructura eléctrica, térmica y mecánica que supera lo que los entornos heredados pueden soportar de manera eficiente.
Las decisiones sobre la ubicación reflejan este cambio, ya que la proximidad a los usuarios ya no es el factor determinante a la hora de elegir un emplazamiento. En su lugar, el acceso a fuentes de alimentación de gran capacidad y fiables, la viabilidad térmica y el cumplimiento de la normativa determinan dónde se pueden construir y operar a gran escala los centros de datos de IA.
El crecimiento a gran escala aumenta tanto los riesgos operativos como los de seguridad
El crecimiento mundial de los centros de datos ha alcanzado niveles sin precedentes, y las previsiones apuntan a una expansión significativa a lo largo de la década. Muchos de estos centros de datos ya funcionan como infraestructura de misión crítica, dando soporte a sistemas financieros, servicios de emergencia y comunicaciones nacionales.
A gran escala, los retos de fiabilidad pasan de la gestión de fallos aislados al control de riesgos sistémicos. Lo que antes se consideraba un hecho excepcional se convierte en algo habitual. Pequeños defectos, desviaciones en la configuración o la variabilidad de los proveedores pueden propagarse por decenas de miles de sistemas, transformando problemas aislados en un riesgo operativo persistente. Las cargas de trabajo de IA agravan estos retos debido a los picos de consumo energético y las tensiones térmicas que llevan a la infraestructura física al límite de su capacidad operativa.
La rápida expansión también aumenta la exposición a las amenazas de seguridad. Los centros de datos son objetivos de gran valor para los ciberataques y los ataques a la cadena de suministro. A medida que las instalaciones se amplían, las vulnerabilidades se propagan fácilmente por los sistemas, los proveedores y las regiones.
La fragmentación y los límites de la seguridad en silos
A pesar del aumento del riesgo, muchos operadores de centros de datos siguen gestionando la seguridad mediante enfoques fragmentados. La seguridad de la red, las aplicaciones, la nube, los entornos físicos y la cadena de suministro suele implementarse por separado, y cada una de ellas se gestiona mediante herramientas, normas y estructuras de supervisión distintas. La brecha de seguridad de Salt Typhoon en 2024 puso de manifiesto cómo esta separación genera lagunas en la cobertura y la rendición de cuentas que los adversarios pueden aprovechar.
Los centros de datos de IA intensifican estos retos al ampliar la cadena de suministro de software e introducir nuevos vectores de riesgo específicos de la IA. Los componentes de código abierto, el firmware, los modelos y los flujos de datos siguen cambiando tras su implementación, mientras que el comportamiento de los modelos y las dependencias de los datos plantean preocupaciones adicionales en materia de integridad y confianza. Los fallos de seguridad en estos entornos rara vez permanecen aislados. Se propagan a través de los ámbitos de la infraestructura, el software, las operaciones y la gobernanza, lo que complica la detección, la respuesta y la recuperación.
No existe una norma única que aborde todos los riesgos de seguridad. El principal reto para los operadores de centros de datos de IA es la falta de integración entre los marcos existentes. Sin un enfoque coordinado a nivel de sistema, las organizaciones tienen dificultades para priorizar los controles, asignar responsabilidades y responder de forma eficaz a las nuevas amenazas.
Por qué deben evolucionar los sistemas de gestión de la calidad
Los sistemas de gestión de la calidad (SGC) desempeñan un papel importante a la hora de abordar los retos de los centros de datos de IA. Sin embargo, las implementaciones tradicionales de los SGC se diseñaron para procesos estables, cargas de trabajo predecibles y una separación clara entre la implementación y las operaciones.
Los centros de datos de IA operan en condiciones fundamentalmente diferentes, con sistemas que evolucionan a través del reentrenamiento, la reconfiguración y el reequilibrio de la infraestructura. El comportamiento de las cargas de trabajo provoca cambios rápidos en las condiciones térmicas y de alimentación, mientras que las cadenas de suministro abarcan ecosistemas globales de múltiples niveles en los que la visibilidad es limitada y los perfiles de riesgo siguen siendo dinámicos.
En este contexto, la calidad ya no puede funcionar como una actividad estática de cumplimiento normativo. Los SGQ deben gestionar sistemas en constante cambio mediante una evaluación continua de riesgos y un control disciplinado de la configuración. Los fallos que antes se limitaban a la seguridad o a las operaciones se manifiestan ahora como fallos de calidad, lo que afecta a la disponibilidad, el rendimiento y la confianza. Satisfacer estos requisitos convergentes a gran escala requiere marcos integrados que proporcionen coherencia, verificabilidad y responsabilidad en todas las organizaciones y cadenas de suministro.
(datacenterdynamics.com)
Seguiremos brindándote más información sobre este tema en las siguientes presentaciones físicas y digitales de Channel News Perú
Mantente conectado a nuestra plataforma de negocios y revista, haciendo clic aquí y suscribiéndote a nuestro newsletter para contenido de valor diario
