En asociación con
Desde una perspectiva tecnológica y logística, realizar un evento de esta escala no es tarea fácil. La infraestructura de la Ryder Cup debe dar cabida a las decenas de miles de usuarios de la red que inundan el recinto (este año, en Bethpage Black en Farmingdale, Nueva York) todos los días.
Para gestionar esta complejidad de TI, la Ryder Cup contrató al socio tecnológico HPE para crear un centro central para sus operaciones. La solución se centró en una plataforma donde el personal del torneo podía acceder a la visualización de datos que respaldaba la toma de decisiones operativas. Este panel, que aprovechó una red de alto rendimiento y entorno de nube privada, información agregada y destilada de diversas fuentes de datos en tiempo real.
Fue un vistazo a cómo se ven las redes preparadas para IA a escala: una prueba de estrés del mundo real con implicaciones para todo, desde la gestión de eventos hasta las operaciones empresariales. Si bien los modelos y la preparación de datos obtienen la mayor parte de la atención de las juntas directivas y la publicidad de los medios, redes Es una tercera etapa fundamental para una implementación exitosa de la IA, explica Jon Green, CTO de HPE Networking. “La IA desconectada no aporta mucho; se necesita una forma de introducir y extraer datos tanto para el entrenamiento como para la inferencia”, afirma.
A medida que las empresas avanzan hacia aplicaciones de IA distribuidas en tiempo real, las redes del mañana necesitarán analizar volúmenes de información aún mayores a velocidades cada vez más rápidas. Lo que ocurrió en los greens de Bethpage Black representa una lección que se está aprendiendo en todas las industrias: las redes listas para inferencias son un factor decisivo para convertir la promesa de la IA en desempeño en el mundo real.
Preparar una red de IA para inferencias
Más de la mitad de las organizaciones todavía tienen dificultades para poner en funcionamiento sus canales de datos. En un reciente HPE encuesta intersectorial De 1.775 líderes de TI, el 45% afirmó que podían realizar operaciones de intercambio de datos en tiempo real para innovar. Es un cambio notable con respecto a las cifras del año pasado (solo 7% informó tener tales capacidades en 2024), pero aún queda trabajo por hacer para conectar la recopilación de datos con la toma de decisiones en tiempo real.
La red puede ser la clave para reducir aún más esa brecha. Es probable que parte de la solución se reduzca al diseño de la infraestructura. Si bien las redes empresariales tradicionales están diseñadas para manejar el flujo predecible de aplicaciones empresariales (correo electrónico, navegadores, uso compartido de archivos, etc.), no están diseñadas para soportar el movimiento dinámico y de gran volumen de datos que requieren las cargas de trabajo de IA. La inferencia, en particular, depende de trasladar grandes conjuntos de datos entre múltiples GPU con una precisión similar a la de una supercomputadora.
“Existe la posibilidad de jugar de forma rápida y flexible con una red empresarial estándar lista para usar”, afirma Green. “Pocos notarán si una plataforma de correo electrónico es medio segundo más lenta de lo que podría haber sido. Pero con el procesamiento de transacciones de IA, todo el trabajo está controlado por el último cálculo que se realiza. Por lo tanto, se vuelve realmente notable si hay alguna pérdida o congestión”.
Por lo tanto, las redes creadas para la IA deben operar con un conjunto diferente de características de rendimiento, que incluyen latencia ultrabaja, rendimiento sin pérdidas, equipos especializados y adaptabilidad a escala. Una de estas diferencias es la naturaleza distribuida de la IA, que afecta el flujo fluido de datos.
La Ryder Cup fue una vívida demostración de esta nueva clase de networking en acción. Durante el evento, se instaló un Centro de Inteligencia Conectado para incorporar datos de escaneos de boletos, informes meteorológicos, carritos de golf rastreados por GPS, ventas de concesiones y mercancías, colas de espectadores y consumidores, y rendimiento de la red. Además, se colocaron 67 cámaras habilitadas para IA a lo largo del curso. Las entradas se analizaron a través de un panel de inteligencia operativa y proporcionaron al personal una visión instantánea de la actividad en todo el recinto.
“El torneo es realmente complejo desde el punto de vista de la creación de redes, porque hay muchas áreas grandes y abiertas que no están repletas de gente de manera uniforme”, explica Green. “La gente tiende a seguir la acción. Así que en ciertas áreas hay mucha gente y dispositivos, mientras que otras áreas están completamente vacías”.
Para manejar esa variabilidad, los ingenieros construyeron una arquitectura de dos niveles. En todo el extenso recinto, más de 650 puntos de acceso WiFi 6E, 170 conmutadores de red y 25 sensores de experiencia de usuario trabajaron juntos para mantener una conectividad continua y alimentar un clúster de IA en la nube privada para análisis en vivo. La capa frontal conectaba cámaras, sensores y puntos de acceso para capturar video en vivo y datos de movimiento, mientras que una capa posterior, ubicada dentro de un centro de datos temporal en el sitio, vinculaba GPU y servidores en una configuración de alta velocidad y baja latencia que efectivamente servía como cerebro del sistema. En conjunto, la configuración permitió respuestas rápidas sobre el terreno y recopilación de datos que podrían informar la planificación operativa futura. “El equipo también disponía de modelos de IA que podían procesar vídeos de las tomas tomadas y ayudar a determinar, a partir de las imágenes, cuáles eran las más interesantes”, dice Green.
IA física y el regreso de la inteligencia local
Si el tiempo es esencial para la gestión de eventos, es aún más crítico en contextos donde la seguridad está en juego, por ejemplo, un automóvil autónomo que toma una decisión en una fracción de segundo para acelerar o frenar.
Al planificar el auge de la IA física, donde las aplicaciones pasan de las pantallas a las fábricas y las calles de las ciudades, un número cada vez mayor de empresas están repensando sus arquitecturas. En lugar de enviar los datos a nubes centralizadas para realizar inferencias, algunos están implementando clústeres de IA basados en el borde que procesan la información más cerca de donde se genera. Es posible que la capacitación con uso intensivo de datos aún se lleve a cabo en la nube, pero la inferencia ocurre en el sitio.
Este enfoque híbrido está alimentando una ola de repatriación operativa, a medida que las cargas de trabajo que alguna vez estuvieron relegadas a la nube regresan a la infraestructura local por razones de mayor velocidad, seguridad, soberanía y costos. “Hemos tenido una migración de TI a la nube en los últimos años, pero la IA física es uno de los casos de uso que creemos que traerá mucho de eso de vuelta a las instalaciones”, predice Green, dando el ejemplo de una fábrica con IA, donde un viaje de ida y vuelta de datos de sensores a la nube sería demasiado lento para controlar de forma segura la maquinaria automatizada. “Cuando el procesamiento ocurre en la nube, la máquina ya se ha movido”, explica.
Hay datos que respaldan la proyección de Green: investigación de Enterprise Research Group muestra que el 84% de los encuestados están reevaluando las estrategias de implementación de aplicaciones debido al crecimiento de la IA. Las previsiones del mercado también reflejan este cambio. Según IDC, se espera que el mercado de IA para infraestructura alcance los 758 mil millones de dólares para 2029.
IA para redes y el futuro de la infraestructura de conducción autónoma
La relación entre las redes y la IA es circular: las redes modernas hacen posible la IA a escala, pero la IA también está ayudando a que las redes sean más inteligentes y capaces.
“Las redes son algunos de los sistemas más ricos en datos de cualquier organización”, dice Green. “Eso los convierte en un caso de uso perfecto para la IA. Podemos analizar millones de estados de configuración en miles de entornos de clientes y aprender qué es lo que realmente mejora el rendimiento o la estabilidad”.
En HPE, por ejemplo, que tiene uno de los repositorios de telemetría de red más grandes del mundo, los modelos de IA analizan datos anónimos recopilados de miles de millones de dispositivos conectados para identificar tendencias y perfeccionar el comportamiento a lo largo del tiempo. El procesos de plataforma más de un billón de puntos de telemetría cada día, lo que significa que puede aprender continuamente de las condiciones del mundo real.
El concepto ampliamente conocido como AIOps (u operaciones de TI impulsadas por IA) está cambiando la forma en que se administran las redes empresariales en todas las industrias. Hoy en día, la IA presenta conocimientos en forma de recomendaciones que los administradores pueden optar por aplicar con un solo clic. Mañana, esos mismos sistemas podrían probar e implementar ellos mismos automáticamente cambios de bajo riesgo.
Green señala que esa visión a largo plazo se conoce como una “red autónoma”, una que maneja las tareas repetitivas y propensas a errores que históricamente han plagado a los equipos de TI. “La IA no viene para el trabajo del ingeniero de redes, pero eliminará las cosas tediosas que los ralentizan”, afirma. “Podrá decir: ‘Por favor, configure 130 conmutadores para resolver este problema’ y el sistema lo manejará. Cuando un puerto se atasca o alguien conecta un conector en la dirección incorrecta, la IA puede detectarlo y, en muchos casos, solucionarlo automáticamente”.
Las iniciativas digitales ahora dependen de la eficacia con la que se mueve la información. Ya sea coordinando un evento en vivo o racionalizando una cadena de suministro, el desempeño de la red define cada vez más el desempeño del negocio. Construir esa base hoy separará a quienes pilotean la IA de quienes la escalan.
Para más, Regístrese para ver el Salón EmTech AI de MIT Technology Review, con HPE.
Este contenido fue producido por Insights, la rama de contenido personalizado de MIT Technology Review. No fue escrito por el personal editorial de MIT Technology Review. Fue investigado, diseñado y escrito por escritores, editores, analistas e ilustradores humanos. Esto incluye la redacción de encuestas y la recopilación de datos para encuestas. Las herramientas de IA que pudieron haberse utilizado se limitaron a procesos de producción secundarios que pasaron una revisión humana exhaustiva.
Publicado originalmente en technologyreview.com el 18 de noviembre de 2025.
Ver fuente original
