Denise Muyco, cofundadora y directora ejecutiva de RAVEL – Serie de entrevistas

Denise Muyco es cofundadora y directora ejecutiva de RAVEL, donde lidera el desarrollo de software de orquestación para infraestructuras complejas de computación e IA. Es ingeniera de formación y su trayectoria abarca la infraestructura energética, la optimización de procesos, los medios digitales, los centros de datos y los estudios virtuales. Antes de centrarse en la IA, contribuyó al desarrollo de una infraestructura compartida de computación de alto rendimiento para la comunidad de efectos visuales de Vancouver, que permitió a unos 30 estudios acceder a recursos de cómputo y conectividad segura. Esa experiencia marcó su enfoque para coordinar recursos costosos y limitados. En RAVEL, aplica una perspectiva de ingeniería de sistemas a la asignación de cargas de trabajo, el aprovechamiento de la infraestructura, la interoperabilidad y las crecientes exigencias de los entornos de IA distribuidos y soberanos.

RAVEL desarrolla software que ayuda a las organizaciones a implementar, gestionar y escalar cargas de trabajo de computación e IA en infraestructuras en la nube, locales e híbridas. Entre sus productos se incluyen RAVEL Orchestrate, para estaciones de trabajo virtuales de alto rendimiento; RAVEL Orchestrate AI, para automatizar y optimizar cargas de trabajo; y Boost, para la concesión de licencias de software y la telemetría. Las herramientas de la empresa conectan la infraestructura, las aplicaciones, la virtualización y la seguridad, a la vez que ofrecen controles centralizados y visibilidad operativa. RAVEL presta servicios a centros de datos, proveedores de servicios, equipos de TI empresariales, grupos de investigación en IA y estudios creativos. A partir de sus orígenes en la creación de contenido digital, la empresa se centra en simplificar entornos complejos y ayudar a los equipos a aprovechar mejor la infraestructura disponible.

Fundaste RAVEL tras años de trabajo en la intersección de la ingeniería, la infraestructura de medios y la computación distribuida. ¿Qué te llevó finalmente a crear la empresa y cómo ha evolucionado la misión de RAVEL a medida que la IA generativa ha disparado la demanda de capacidad de cómputo?

Soy ingeniera de formación y llevo trabajando en la intersección de la energía, la computación y la infraestructura desde mucho antes del auge actual de la IA. Al principio de mi carrera hice prácticas en una central nuclear y, más adelante, mi trabajo en los medios y los efectos visuales me acercó a las GPU, a las grandes demandas de capacidad de cómputo y a las limitaciones de la infraestructura física.

Hace unos 16 años, la creciente industria de los efectos visuales de Vancouver ya se enfrentaba directamente a esas limitaciones. Los estudios necesitaban enormes cantidades de capacidad de cómputo de alto rendimiento para procesar (o renderizar) contenidos de cine y televisión cada vez más complejos para proyectos de gran valor, pero pocos podían justificar la construcción de suficiente infraestructura dedicada para satisfacer la demanda máxima en un entorno seguro. La energía también empezaba a ser una limitación. Desarrollamos una infraestructura compartida que permitió a unos 30 estudios acceder a computación de alto rendimiento y a conectividad segura de gran ancho de banda.

Compartir la infraestructura resolvió un problema, pero creó otro: ¿cómo asignar de manera eficiente recursos costosos y limitados entre distintas organizaciones y cargas de trabajo? Esa experiencia acabó dando lugar al enfoque de RAVEL para la orquestación inteligente de infraestructuras.

La IA representa una versión mucho más amplia del mismo desafío fundamental, con una complejidad y un capital en juego mucho mayores. Las cargas de trabajo y la infraestructura han cambiado, pero la necesidad de que los recursos costosos y limitados funcionen juntos de forma eficiente no ha hecho más que aumentar.

Antes de RAVEL, contribuiste a crear un consorcio formado por unos 30 estudios de Vancouver, platós, productoras y estudios de efectos visuales que podían compartir el acceso a infraestructura de computación de alto rendimiento. ¿Qué te enseñó esa experiencia sobre la computación distribuida y qué paralelismos ves entre los desafíos de renderizado de Hollywood de entonces y los desafíos de infraestructura de la industria de la IA actual?

Mi trabajo con la industria de los efectos visuales me enseñó que construir y configurar la infraestructura era solo la mitad del problema. Había que compartir de forma segura la costosa capacidad de cómputo y utilizarla eficientemente, mientras toda la infraestructura —incluida una red segura capaz de transferir archivos enormes— debía funcionar de manera coordinada. Había que programar las cargas de trabajo, asignar la capacidad y transferir enormes volúmenes de datos, todo ello mientras los equipos de producción aspiraban a lograr resultados cada vez más ambiciosos con presupuestos y plazos estrictos. La infraestructura debía optimizarse continuamente para mejorar su utilización y rendimiento.

La IA representa una versión mucho más amplia de ese mismo desafío fundamental. Las organizaciones están invirtiendo mucho en infraestructura, pero añadir capacidad por sí solo no garantiza que se utilicen eficientemente los costosos recursos. Además, la infraestructura de IA está cada vez más distribuida entre distintas ubicaciones, proveedores y entornos, debido a factores como la energía, la capacidad, la seguridad, la economía, la geografía y los requisitos normativos y de soberanía. El renderizado y la IA pueden implicar cargas de trabajo muy distintas, pero comparten un desafío importante en materia de infraestructura y ecosistema: ambos dependen de que la computación de alto rendimiento, las redes, la seguridad y el almacenamiento funcionen juntos de manera eficiente.

A medida que la infraestructura de IA se vuelve más compleja, añadir capacidad de cómputo sin más no resuelve el desafío operativo de aprovecharla eficientemente. Aquí es donde la orquestación y las políticas que rigen el ecosistema más amplio de infraestructura se vuelven fundamentales. Juntas, ayudan a las organizaciones a aprovechar mejor los recursos costosos y limitados, al tiempo que coordinan las cargas de trabajo en entornos cada vez más distribuidos.

RAVEL se describe como una capa de orquestación para fábricas de IA distribuidas. ¿Qué significa para usted una «fábrica de IA» y qué falta hoy en la pila de infraestructura que hace necesaria una capa de orquestación?

A mi entender, una fábrica de IA es mucho más que GPU y clústeres de alto rendimiento: es un ecosistema integrado de infraestructura que reúne capacidad de cómputo, redes, almacenamiento, seguridad, energía, refrigeración y las capas operativas necesarias para ejecutar cargas de trabajo de IA. Las fábricas de IA están evolucionando: están dejando de ser clústeres aislados para convertirse en ecosistemas de recursos interconectados que abarcan varios sitios y regiones. Esa complejidad es cada vez más difícil de gestionar manualmente o con soluciones puntuales inconexas. Una capa de orquestación aborda este problema coordinando los componentes diversos y complejos de la pila y abstrayendo parte de esa complejidad subyacente, lo que facilita a los operadores gestionar la infraestructura como un sistema coordinado.

A medida que las organizaciones adaptan sus centros de datos existentes para la IA, muchas instalaciones no se diseñaron originalmente para satisfacer las exigencias de las cargas de trabajo de IA actuales. La IA se enfrenta hoy a un desajuste estructural que se manifiesta en tres problemas clave. El primero es la energía: encontrar una ubicación con suficiente suministro eléctrico fiable para ejecutar cargas de trabajo a gran escala. El segundo es la fragmentación del ecosistema, ya que las pilas de IA suelen estar divididas entre entornos aislados y no están diseñadas para funcionar en conjunto. El tercero es la visibilidad limitada del costo total de operación y propiedad, que puede ocultar el costo real de la infraestructura de IA. Como resultado, las cargas de trabajo pueden quedar sin optimizar, el hardware puede infrautilizarse y los costos operativos imprevistos pueden elevar el costo total de propiedad, lo que, en última instancia, contribuye a aumentar los costos por token.

La infraestructura de IA está cada vez más distribuida entre nubes hiperescalables, centros de datos privados, sistemas locales y proveedores especializados de GPU. ¿Cuáles son los mayores desafíos que afrontan las organizaciones al intentar gestionar cargas de trabajo de IA en estos distintos entornos?

Durante los últimos años, la carrera por la infraestructura de IA se ha definido por una premisa sencilla: construir a mayor escala. Centros de datos más grandes. Clústeres más grandes. Más GPU. Más capacidad. Sin embargo, el modelo de construir a mayor escala se enfrenta cada vez más a limitaciones físicas, económicas y regulatorias.

La energía es limitada. El acceso a la red eléctrica lleva tiempo. Los factores económicos, geográficos y de soberanía determinan cada vez más dónde se puede y se debe construir la infraestructura. El nuevo desafío no consiste simplemente en cómo construir más infraestructura de IA, sino en cómo construir la infraestructura adecuada en los lugares adecuados y hacer que todos esos entornos funcionen como un sistema coordinado. Esto resulta especialmente difícil cuando la capacidad está distribuida entre nubes hiperescalables, centros de datos privados, infraestructura local y proveedores especializados que no necesariamente se diseñaron para funcionar en conjunto.

La energía es la limitación más acuciante. Cada vez más, la disponibilidad de energía determina dónde se construye inicialmente la infraestructura de IA.

Aquí es donde la federación se vuelve fundamental. Conecta la infraestructura de distintos entornos en un entorno operativo común. Luego, la orquestación inteligente determina dónde deben ejecutarse las cargas de trabajo en función de la capacidad, la energía, el rendimiento, el costo, las políticas, la resiliencia y la soberanía.

A medida que la infraestructura de IA se extiende a más ubicaciones y proveedores, la ventaja competitiva no provendrá simplemente de poseer más capacidad, sino de lograr que esa capacidad funcione en conjunto. La federación proporciona el modelo de infraestructura para esta nueva realidad, mientras que la orquestación inteligente permite ponerlo en práctica a gran escala.

Este es el modelo que está siguiendo uno de nuestros clientes, RT-One, desarrollador de los parques tecnológicos de IA y centros de datos más grandes de América Latina, mientras planifica una infraestructura federada en todo el continente americano: conectar la capacidad distribuida para que, en última instancia, pueda gestionarse como un entorno coordinado.

La escasez de GPU ha recibido muchísima atención, pero simplemente añadir más aceleradores no se traduce necesariamente en más capacidad de cómputo útil para la IA. ¿Dónde observa las mayores fuentes de ineficiencia en la infraestructura de IA actual y cuánta capacidad adicional podrían desbloquear las empresas mediante una mejor orquestación?

La carrera por la infraestructura de IA se ha centrado mucho en cuántos gigavatios de nueva capacidad están previstos y cuánto capital se está comprometiendo para construirla. Es tentador considerar que el problema de infraestructura de la IA es simplemente la escasez de GPU o de capacidad, pero este enfoque no tiene en cuenta dónde reside realmente la ineficiencia. Es importante señalar que la capacidad planificada no equivale a capacidad utilizable.

Los clústeres de GPU pueden parecer completamente ocupados, pero aun así las costosas GPU pueden permanecer inactivas cuando surgen cuellos de botella de rendimiento en otras partes de la pila. Entre ellos pueden figurar el rendimiento del almacenamiento, las canalizaciones de datos, la congestión de la red, las ineficiencias en la programación de tareas, los requisitos de seguridad y las incompatibilidades entre la arquitectura, las aplicaciones, los controladores y las dependencias. Añadir GPU no siempre se traduce en más capacidad de cómputo utilizable.

Añadir más infraestructura no aumenta automáticamente la eficiencia. En muchos casos, crea más compartimentos aislados y eleva los costos.

Las organizaciones necesitan mayor visibilidad y control para mejorar el aprovechamiento, automatizar las decisiones sobre infraestructura y alinear mejor las cargas de trabajo con los recursos disponibles y las prioridades del negocio. Una mayor visibilidad y control pueden ayudar a convertir un conjunto de recursos de infraestructura en un entorno operativo más coordinado. No existe una cifra exacta ni universal que indique cuánta capacidad podría liberarse mediante la orquestación; cada carga de trabajo tiene requisitos únicos. Pero hay algo claro: la respuesta a la capacidad varada o infrautilizada no consiste simplemente en comprar o construir más.

RAVEL ha destacado la interoperabilidad entre infraestructura, tecnologías de virtualización, sistemas de identidad y aplicaciones. ¿Por qué está cobrando especial importancia la interoperabilidad a medida que las cargas de trabajo de IA se vuelven más complejas y distribuidas?

A medida que la infraestructura se vuelve más heterogénea, las organizaciones necesitan flexibilidad para utilizar distintas tecnologías y entornos sin crear más silos de infraestructura aislados. La interoperabilidad permite que la computación, el almacenamiento, las redes y las aplicaciones de distintos proveedores y entornos funcionen en conjunto, y mantiene abiertas las opciones a medida que evoluciona la infraestructura. Pero la interoperabilidad, por sí sola, no determina cómo deben utilizarse esos recursos.

Ahí es donde entra en juego la orquestación: coordina dónde se ejecutan las cargas de trabajo, cómo se trasladan y cómo se aplican las políticas en los distintos entornos. A medida que la infraestructura de IA se distribuye y federa cada vez más, la interoperabilidad aporta la flexibilidad necesaria para operar con distintas tecnologías, mientras que la orquestación convierte esos recursos en un entorno operativo coordinado.

RAVEL Orchestrate AI proporciona una capa de orquestación común para la computación, el almacenamiento, las redes y otras tecnologías de infraestructura, y coordina las cargas de trabajo de IA en entornos de nube, locales e híbridos.

La soberanía de los datos se está convirtiendo en una consideración importante para los gobiernos y las empresas que implementan IA. ¿Cómo cambia el auge de la infraestructura de IA soberana la manera en que las organizaciones deben plantearse la ubicación de las cargas de trabajo, el movimiento de datos, la seguridad y la orquestación?

La IA soberana es ahora una prioridad estratégica. Esto plantea una pregunta más fundamental: ¿qué significa realmente ser soberano? El debate se ha centrado en gran medida en la residencia de los datos, pero creo que esa definición es demasiado limitada.

Defino la IA soberana como la capacidad de una nación, empresa, organismo gubernamental u otra organización para mantener un control sobre sus cargas de trabajo de IA definido por políticas, incluidos los datos, los modelos, la infraestructura de computación, el acceso, la seguridad, las operaciones y la jurisdicción que rigen esas cargas de trabajo. La soberanía no significa necesariamente que todas las cargas de trabajo deban permanecer en un único centro de datos ni siquiera en una infraestructura propiedad de una sola organización. Significa, más bien, que la organización determina dónde está permitido ejecutar una carga de trabajo, dónde pueden residir sus datos o a dónde pueden trasladarse, quién puede acceder a ellos, qué infraestructura puede ejecutarla y qué políticas de seguridad, normativas, geográficas, operativas y de negocio deben respetarse en todo momento. Esta definición centrada en las cargas de trabajo concuerda con la tendencia más amplia del sector a considerar la soberanía como el control de todo el entorno de IA, y no solo de la residencia de los datos.

El enfoque de RAVEL se distingue especialmente cuando la IA soberana se combina con la federación. RAVEL Orchestrate AI puede tratar los requisitos de soberanía como restricciones dentro de la capa de orquestación y políticas: una carga de trabajo puede ser apta para ejecutarse en una federación de sitios, nubes, centros de datos, ubicaciones periféricas u otras infraestructuras, pero solo en recursos que cumplan las políticas de soberanía de esa carga de trabajo. Dentro de ese límite aprobado, RAVEL puede determinar la infraestructura adecuada teniendo en cuenta factores como la energía, el costo, el rendimiento, la capacidad, el aprovechamiento, las características de la red, la ubicación y la prioridad. La federación no elimina la soberanía; más bien, puede operar dentro de los límites que esta define. Por ejemplo, una carga de trabajo confidencial del gobierno podría permanecer íntegramente en instalaciones aprobadas de Estados Unidos y, aun así, orquestarse dinámicamente entre varios sitios autorizados. El resultado es un modelo que permite a las organizaciones obtener las ventajas de aprovechamiento y resiliencia de la infraestructura de IA distribuida sin renunciar al control sobre dónde y cómo se ejecutan sus cargas de trabajo más confidenciales.

RAVEL surgió en sectores como los medios de comunicación, el entretenimiento, los videojuegos y el diseño, donde las cargas de trabajo pueden exigir una enorme capacidad de computación. ¿Cómo han cambiado las exigencias de la IA generativa la plataforma en comparación con los retos de infraestructura que originalmente resolvían para los profesionales creativos?

RAVEL nació para resolver problemas de infraestructura en un contexto en el que artistas e ingenieros ya ejecutaban enormes cargas de trabajo de renderizado, simulación y creación de contenido, utilizando costosos recursos de computación, almacenamiento y redes. El reto fundamental consistía en facilitar el acceso a una infraestructura heterogénea, su uso compartido y su orquestación, y maximizar al mismo tiempo el aprovechamiento y el rendimiento.

La IA generativa ha aumentado drásticamente la escala y la complejidad de ese mismo problema. En lugar de orquestar principalmente aplicaciones y cargas de trabajo de renderizado, ahora tenemos que tener en cuenta modelos, motores y agentes de IA, cargas de trabajo de entrenamiento e inferencia, distintas arquitecturas de GPU, pilas de software que cambian con rapidez, un movimiento de datos enorme y restricciones mucho mayores en cuanto a energía, costo, seguridad y disponibilidad.

Como resultado, RAVEL ha evolucionado: de centrarse principalmente en la orquestación de recursos de cómputo, ha pasado a ofrecer una capa inteligente de control y optimización para la infraestructura de IA. Orchestrate AI utiliza la telemetría y las políticas para determinar no solo si hay infraestructura disponible, sino también dónde y cómo debe ejecutarse una carga de trabajo, en función de factores como el costo, la velocidad, la energía, el rendimiento, la utilización, la ubicación y los requisitos de soberanía.

La federación también ha cobrado cada vez más importancia, porque la infraestructura de IA ya no puede tratarse como un conjunto de centros de datos aislados: las organizaciones necesitan poder utilizar de forma inteligente la capacidad disponible en distintas ubicaciones, sin dejar de mantener la gobernanza y la seguridad. En muchos sentidos, la IA generativa no cambió el problema fundamental que RAVEL se propuso resolver; lo hizo mucho mayor y más complejo, y volvió cada vez más importantes la orquestación, la optimización y la federación inteligentes.

Tu carrera te ha llevado desde la ingeniería mecánica y la optimización de procesos en Starbucks hasta los medios digitales, los centros de datos, los estudios virtuales y, ahora, la infraestructura de IA. ¿Cómo ha influido esa formación en ingeniería en tu manera de crear empresas y resolver problemas de infraestructura?

Mi formación en ingeniería probablemente ha influido en casi todo lo que hago al crear empresas. La ingeniería mecánica te enseña a observar un sistema —no solo un componente aislado— y a preguntarte dónde están las limitaciones, dónde se desperdician energía o recursos y cómo puede funcionar mejor el sistema en su conjunto. En Starbucks, apliqué esa forma de pensar a la optimización de procesos; más adelante, en los medios digitales y los efectos visuales, el sistema pasó a abarcar recursos de cómputo, almacenamiento, redes, aplicaciones y, con el tiempo, centros de datos enteros. La tecnología cambió, pero mi manera de abordar el problema, en realidad, no. Siempre me pregunto: ¿Dónde está el cuello de botella? ¿Qué recursos están infrautilizados? ¿Qué podemos simplificar? ¿Y cómo podemos hacer que todo el sistema funcione mejor, en lugar de optimizar solo una parte?

Así es, precisamente, como creamos RAVEL. No creo que el problema de la infraestructura de IA consista simplemente en conseguir más GPU o construir más centros de datos. Es un problema de ingeniería de sistemas que abarca recursos de cómputo, energía, almacenamiento, redes, software, cargas de trabajo, personas y, cada vez más, geografía y soberanía. Puedes tener la GPU más rápida del mundo, pero si el resto del sistema no está optimizado, lo único que habrás creado es un cuello de botella muy costoso. Por eso, nuestro enfoque en RAVEL consiste en hacer que la propia infraestructura sea más inteligente mediante el uso de telemetría, políticas, orquestación y federación para determinar continuamente cómo y dónde deben ejecutarse las cargas de trabajo. Empecé mi carrera optimizando sistemas físicos; hoy aplicamos esa misma disciplina de ingeniería para optimizar la infraestructura que impulsa la IA.

De cara al futuro, ¿cómo crees que evolucionará la infraestructura de IA a medida que los modelos, los agentes y las aplicaciones requieran cantidades cada vez mayores de recursos de cómputo distribuidos? ¿Crees que las fábricas de IA se convertirán en una capa estandarizada de la infraestructura empresarial, de forma muy similar a como lo hizo la computación en la nube durante la última década?

Estoy convencida de que las fábricas de IA se convertirán en una capa fundamental de la infraestructura empresarial, como ocurrió con la computación en la nube, pero no creo que se parezcan a un único centro de datos o servicio en la nube estandarizado. A medida que los modelos, los agentes y las aplicaciones consuman cantidades cada vez mayores de recursos de cómputo, las empresas trabajarán con una combinación heterogénea de GPU, CPU, infraestructura privada, proveedores neocloud, hiperescaladores, entornos de computación en el borde y sistemas de IA especializados.

La disponibilidad de energía, el costo, la soberanía, el rendimiento y la ubicación serán tan importantes como la disponibilidad de recursos de cómputo. El verdadero desafío no será simplemente construir más infraestructura, sino lograr que toda esa infraestructura distribuida funcione como un único sistema inteligente. La fábrica de IA del futuro no será un solo edificio: será un entorno de infraestructura federada que abarcará recursos de cómputo, energía, datos y los recursos necesarios para ejecutar cargas de trabajo de IA allí donde tenga más sentido.

Creo que ahí es donde surge la próxima gran capa de infraestructura. La computación en la nube abstrajo los servidores y facilitó el acceso a los recursos de cómputo; el siguiente paso consiste en abstraer la complejidad de toda la pila de infraestructura de IA. Las empresas no deberían tener que determinar manualmente qué GPU, centro de datos, servicio en la nube, fuente de energía o ubicación geográfica debe ejecutar cada modelo o agente. La propia infraestructura debería tomar cada vez más esas decisiones, utilizando telemetría y políticas para optimizar el costo, la velocidad, la energía, el rendimiento, la disponibilidad y la soberanía. Ese es el futuro que estamos construyendo en RAVEL: una capa inteligente de orquestación que permite trasladar cargas de trabajo entre distintos componentes de una infraestructura de IA federada, preservando al mismo tiempo las políticas y los controles de la organización. La nube hizo que los recursos de cómputo estuvieran disponibles bajo demanda. Creo que la próxima generación de infraestructura de IA permitirá optimizar bajo demanda.

Gracias por esta excelente entrevista. Los lectores que deseen obtener más información sobre la orquestación de cargas de trabajo de IA en infraestructuras distribuidas pueden visitar RAVEL.