Escrito por y Boris Gamazaychikov y Nicholas Liu-Sontag.
A medida que la IA transforma las industrias de todo el mundo, las organizaciones trabajan para aprovechar su gran potencial y, al mismo tiempo, minimizar sus impactos negativos. Entre estas preocupaciones, la huella medioambiental de la IA destaca como un reto crítico, ya que los procesos informáticos de alto consumo energético ya contribuyen a aumentar las emisiones de carbono. Guiados por nuestros valores principales de confianza, éxito del cliente, innovación, igualdad y sostenibilidad, Salesforce ha surgido como líder en AI responsable, publicando una completa estrategia de sostenibilidad de la IA ejemplificada por nuestros Principios de política de IA sostenible.
Una reciente encuesta de Salesforce reveló un dato crucial: el 65% de los profesionales de la sostenibilidad creen que sus empresas deben equilibrar los beneficios de la IA con sus costes medioambientales. Aunque la implementación descontrolada de la IA puede provocar un aumento del consumo de energía y de las emisiones de carbono, estos mismos profesionales ven el potencial de aprovechar la IA para impulsar la innovación en materia de sostenibilidad.
En Salesforce, ya estamos haciendo realidad este potencial en múltiples frentes. Nuestros equipos de infraestructura de centros de datos utilizan la IA para optimizar el uso de servidores y el consumo de energía, mientras que nuestra previsión de emisiones de carbono aprovecha la IA para analizar millones de puntos de datos para una toma de decisiones más inteligente. Incluso estamos ampliando estas capacidades a los clientes a través de Net Zero Cloud y mejorando la eficiencia de la implementación de Salesforce con nuestras herramientas impulsadas por IA como ApexGuru.
Este artículo explora cómo Salesforce utiliza la IA para impulsar la sostenibilidad, mostrando nuestro enfoque multifacético para aprovechar la tecnología para un futuro más sostenible
Optimización de la nube a través de la autoescalabilidad predictiva
Nuestro equipo de Ingeniería de Rendimiento de Aplicaciones Core aprovecha el poder de la IA para mejorar la eficiencia energética al tiempo que garantiza que nuestros productos funcionen sin problemas para los clientes. Mediante el uso de IA para predecir y anticipar los patrones de uso de nuestros clientes, escalamos automáticamente el volumen de servidores necesarios. Esto nos permite adaptar el uso de la infraestructura en la nube, evitando el derroche de energía. Esta automatización ahorra tiempo, reduce las emisiones de carbono y mantiene un rendimiento óptimo de los productos para nuestros clientes.
En el centro de esta innovación se encuentra nuestro sistema Predictive Autoscaling, que utiliza sofisticados modelos estadísticos para anticipar y responder a las fluctuaciones en los patrones de uso de los clientes. Esta solución basada en IA analiza los datos históricos para prever los picos de tráfico y ajusta automáticamente el número de servidores en la nube (conocidos como kpods) necesarios para satisfacer la demanda. Es importante destacar que este análisis es específico para cada región y instancia, adaptándose a las diferentes zonas horarias, normas culturales y patrones de trabajo de nuestra base global de clientes
![](https://engineering.salesforce.com/wp-content/uploads/2024/08/image_7fa2a3.png?w=1024)
Fluctuación del uso de CPU de una región a lo largo de una semana típica.
El sistema funciona según dos principios clave: reducir la escala durante las horas valle para conservar energía y reducir costes, y aumentar la escala de forma proactiva antes de las horas punta para garantizar un rendimiento sin problemas. Desplazando dos desviaciones estándar nuestras predicciones sobre las horas punta de inicio, conseguimos una notable precisión del 97,7% en nuestras previsiones, lo que ayuda a garantizar un servicio fiable al tiempo que se minimiza el despilfarro.
Nuestro enfoque va más allá del simple autoescalado reactivo. Tiene en cuenta factores complejos como el uso de la CPU, los recuentos de API e incluso los trabajos programados que pueden causar picos de demanda a corto plazo. Esta visión holística nos permite ajustar nuestra infraestructura con una precisión sin precedentes
Los resultados han sido impresionantes. Ya hemos empezado a ver los beneficios y prevemos que Predictive Autoscaling reducirá aproximadamente 1.128 toneladas de emisiones de carbono este año fiscal, lo que equivale a retirar de la carretera 268 coches que funcionan con gas. Además, hemos experimentado una mayor eficiencia operativa gracias al aumento de la utilización de los servidores, la reducción de los incidentes de rendimiento y la optimización de nuestras reservas de capacidad a la carta.
El sistema de autoescalado predictivo nos ha ayudado a reducir las emisiones de CO
De cara al futuro, estamos perfeccionando continuamente nuestros modelos de IA. Las futuras mejoras incluirán análisis multivariable, predicciones de ráfagas y previsión automática de capacidad, mejorando aún más nuestra capacidad para equilibrar rendimiento y sostenibilidad.
Al aprovechar la IA para adaptar el uso de nuestra infraestructura, no solo estamos ahorrando energía y reduciendo nuestra huella de carbono, sino que estamos estableciendo un nuevo estándar para la gestión responsable y eficiente de los centros de datos en el sector tecnológico.
Potenciando a los clientes para mejorar la escalabilidad y la sostenibilidad
![](https://engineering.salesforce.com/wp-content/uploads/2024/08/image_3b9dc5.png?w=1024)
ApexGuruproporciona información basada en inteligencia artificial y recomendaciones de código para aumentar el rendimiento y reducir las emisiones de carbono.
El motor de ApexGuru es CodeGen, un LLM desarrollado internamente y diseñado específicamente para el análisis y la optimización de código. Esta herramienta basada en IA escanea automáticamente el código del cliente, identificando antipatrones críticos y puntos conflictivos de rendimiento. A continuación, proporciona recomendaciones prescriptivas generadas por IA para mejorar el código, señalando las clases y líneas exactas en las que se pueden realizar optimizaciones.
CodeGen
La última versión, CodeGen 2.5, muestra el compromiso de Salesforce con la eficacia. Optimizado a través de técnicas de entrenamiento multiepoc y flash attention, ofrece un rendimiento comparable al de modelos más grandes a la vez que funciona con menos de la mitad de tamaño. Este enfoque no sólo mejora la eficiencia del código para los clientes, sino que también demuestra la dedicación de Salesforce a las prácticas sostenibles de IA.
Al permitir a los clientes crear aplicaciones más eficientes y de alto rendimiento, ApexGuru y CodeGen están impulsando tanto la mejora del rendimiento como la reducción del consumo de energía en todo el ecosistema de Salesforce, lo que supone un paso significativo hacia prácticas de desarrollo de software más sostenibles.
Mejorar la previsión de emisiones para proporcionar información sobre la descarbonización
La previsión de emisiones de gases de efecto invernadero a largo plazo es crucial para la toma de decisiones estratégicas de Salesforce, la asignación de recursos y el seguimiento del rendimiento con respecto a los objetivos. Nuestro equipo de sostenibilidad corporativa aprovecha Net Zero Cloud para la contabilidad, elaboración de informes y previsión del carbono, manteniendo un modelo integral compuesto por docenas de submodelos impulsados por IA basados en datos de actividad de Salesforce. Como Customer Zero, colaboramos continuamente con nuestros equipos de producto y sostenibilidad para incorporar enfoques innovadores, garantizando que estos avances de IA beneficien también a nuestros clientes.
Un ejemplo de previsión basada en IA es el transporte aéreo, un área crítica para la previsión de emisiones. El transporte aéreo no solo es una fuente importante de emisiones, sino que también es un indicador de otras fuentes de emisiones, como los hoteles y los coches de alquiler. La previsión de los viajes aéreos mediante un enfoque basado en predictores, en el que las emisiones se pronostican en función de los predictores de entrada, es un reto debido a la complejidad y la cantidad de predictores de estas actividades. Sin embargo, los modelos estacionales captan eficazmente las tendencias y la estacionalidad basándose en observaciones históricas sin necesidad de numerosas características de entrada. En términos más sencillos, la IA nos ayuda a predecir las emisiones futuras de los viajes aéreos fijándonos en los patrones de los datos pasados, en lugar de intentar tener en cuenta todos los factores posibles que puedan influir en los viajes.
Los modelos aditivos generales (GAM) son una opción excelente para este tipo de modelización debido a su flexibilidad a la hora de modelizar relaciones no lineales y tendencias estacionales. Los GAM funcionan detectando y descomponiendo los datos en su tendencia subyacente y sus componentes periódicos. Por ejemplo, puede detectar la tendencia general al alza o a la baja de los datos, así como patrones trimestrales, mensuales, semanales o diarios.
Los GAM son capaces de detectar la tendencia general al alza o a la baja de los datos, así como patrones trimestrales, mensuales, semanales o diarios
Al modelar los viajes en avión, utilizamos datos históricos de recuentos de vuelos semanales que se remontan a 2017, incorporando los ingresos de la empresa y las fechas de eventos clave de Salesforce (por ejemplo, World Tour, Dreamforce) para mejorar la precisión. En datos de prueba nunca antes vistos, nuestro GAM alcanza un porcentaje de error del 3,8%. Esto significa que, con datos nunca vistos, predice con una precisión media del 3,8% el número total de vuelos en un intervalo de tiempo determinado. Este modelo nos permite seguir nuestro progreso a mitad de año con respecto a nuestros objetivos y actualizar nuestra previsión anual de emisiones en tiempo real.
Resultados de nuestro GAM de predicción de vuelos sobre cuatro meses de datos nunca antes vistos.
Resultados de nuestro GAM de predicción de vuelos sobre cuatro meses de datos nunca antes vistos
Este tipo de modelo de IA, junto con toda una serie de otros modelos estadísticos y de aprendizaje automático, nos está ayudando a realizar sofisticadas previsiones de nuestras propias emisiones de carbono mediante el análisis de millones de puntos de datos de nuestra cadena de suministro, viajes de negocios, infraestructura de centros de datos, bienes inmuebles y mucho más. Esta información nos ayuda a tomar decisiones mejores y más inteligentes para reducir nuestras emisiones