• FlexSysAI y ResetData están probando cargas de trabajo flexibles de IA en un clúster Nvidia H200 operativo junto con CSIRO y la University of Queensland
  • El piloto examinará si el trabajo informático menos urgente puede desplazarse en función de los periodos de presión sobre la red sin afectar a las cargas de trabajo importantes

Los hechos

FlexSysAI ha iniciado un piloto en Australia con ResetData, CSIRO y la University of Queensland para comprobar si la demanda de computación de IA puede adaptarse a los cambios en las condiciones de la red eléctrica.

La plataforma funciona en un clúster Nvidia H200 de la instalación AI-F1 de ResetData. Agrupa las cargas de trabajo según su grado de flexibilidad, protege las tareas críticas y permite reducir o desplazar las tareas de entrenamiento menos urgentes cuando la red está bajo presión. CSIRO y la University of Queensland analizarán de forma independiente los datos del ensayo.

El modelado preliminar de FlexSysAI sugiere que las cargas de trabajo de las GPU de ResetData podrían ajustarse entre un 20 % y un 50 % en cuestión de segundos tras una señal de la red eléctrica. Esa cifra describe cambios en las cargas de trabajo informáticas, no una reducción medida de la misma magnitud en el consumo eléctrico total de la instalación.

Los socios señalan que las redes eléctricas aún carecen de datos operativos reales que muestren con qué fiabilidad las instalaciones de IA pueden ofrecer este tipo de flexibilidad. El piloto pretende ayudar a cubrir ese vacío.

La evaluación

La idea en la que se basa el ensayo es sencilla: no todas las tareas de IA tienen que ejecutarse exactamente al mismo tiempo. Si las tareas menos urgentes pueden retrasarse o desplazarse cuando la red está bajo presión, un centro de datos podría reducir parte de su demanda eléctrica sin dejar de ejecutar las tareas importantes.

Lo más difícil es lo que ocurre después. El trabajo que se pausa debe completarse de todos modos, por lo que el ensayo tiene que demostrar que desplazarlo no causa retrasos a los clientes ni se limita a trasladar un gran bloque de demanda eléctrica a otro momento. Por eso los investigadores examinan datos operativos reales en lugar de basarse únicamente en el modelado.

Para los lectores de BTW, el resultado útil será contar con evidencia que muestre cuánta demanda puede desplazarse realmente, con qué rapidez puede responder la instalación y si las cargas de trabajo aplazadas terminan según lo previsto. Solo entonces podrán los operadores de la red eléctrica valorar si la computación flexible de IA resulta útil al planificar la red.

Qué observar

Habrá que observar si CSIRO y la University of Queensland publican resultados que muestren cuánta carga de trabajo se desplazó durante los eventos de respuesta a la red eléctrica y qué ocurrió después. La evidencia de que las tareas aplazadas se completaron sin afectar al servicio ofrecería una prueba más sólida que el modelado actual por sí solo.