DIplomado

[Audio] Altos consumidores de Data Center Presentado por: Jairo Andrés Tovar Cuesta David Garcia Ordoñez Oscar Fernando Castaño Álvarez Favian Alfredo Romero González Jeisson Camilo Rubiano Alvarado Presentado a: Felipe Andrés Garzón Páez Institución Universitaria Politécnico Grancolombiano Diplomado de Redes de Telecomunicaciones Bogotá D.C 2025 Introducción.

[Audio] En la actualidad, los data centers se han convertido en la columna vertebral de la infraestructura digital global, soportando una variedad de aplicaciones que requieren un procesamiento intensivo de datos y un almacenamiento masivo. A medida que tecnologías como el Machine Learning (ML), la Inteligencia Artificial (IA) y el Blockchain han avanzado, también lo ha hecho la demanda de recursos computacionales que estos sectores exigen. Estos avances tecnológicos no solo han transformado industrias enteras, sino que también han impulsado una evolución en la forma en que se gestionan, almacenan y procesan los datos en la nube y en los data centers. El Machine Learning y la Inteligencia Artificial requieren capacidades de procesamiento avanzadas para entrenar modelos predictivos y realizar análisis en grandes volúmenes de datos. Por otro lado, Blockchain, al ser una tecnología descentralizada que facilita la creación de criptomonedas y aplicaciones financieras, también genera una alta demanda de recursos computacionales, especialmente en términos de verificación de transacciones y almacenamiento distribuido. Además de estos, sectores como el Internet de las Cosas (IoT), el Big Data, y los servicios de videojuegos en la nube también se han sumado como grandes consumidores de infraestructura de data centers, exigiendo una capacidad de procesamiento y conectividad que permite operar en tiempo real y a gran escala. Este trabajo busca explorar los diferentes sectores que constituyen los altos consumidores de los recursos de los data centers, analizando las razones detrás de esta creciente demanda, los desafíos que enfrentan las empresas en términos de infraestructura, y el impacto que estas tecnologías tienen en la evolución del procesamiento de datos a nivel global. Tipo de clientes (Características, go to market y explicación de su tipo de consumo) Los data centers sirven a una amplia gama de clientes que requieren grandes capacidades de procesamiento y almacenamiento de datos. A continuación, se describen algunos de los principales tipos de clientes que constituyen a los altos consumidores de data centers, como.

[Audio] los sectores de Machine Learning (ML), Inteligencia Artificial (IA), Blockchain, entre otros. Se explican sus características, estrategias de go-to-market y el tipo de consumo asociado. Empresas de Inteligencia Artificial (IA) y Machine Learning (ML) Caracterización: Empresas dedicadas al desarrollo de modelos de IA y ML (como Google, Amazon, Microsoft, y startups especializadas en IA). Sus necesidades de procesamiento son extremadamente altas, ya que deben entrenar modelos complejos utilizando grandes volúmenes de datos. Dependencia de GPUs (Unidades de Procesamiento Gráfico) y TPUs (Unidades de Procesamiento Tensor) para acelerar el entrenamiento de modelos. Buscan alta escalabilidad y flexibilidad en sus recursos, ya que los requisitos de procesamiento pueden variar dependiendo del tipo de modelos y las etapas de desarrollo. Go-to-Market: Su enfoque se basa en ofrecer soluciones de pago por uso (cloud computing), donde solo se paga por los recursos utilizados durante el entrenamiento y la inferencia de modelos. Se asocian con proveedores de cloud como AWS, Google Cloud y Microsoft Azure para la infraestructura necesaria. A menudo usan data centers privados para tareas sensibles o proyectos que requieren mayor control sobre la infraestructura. Explicación del Tipo de Consumo: Su consumo se basa en ciclos de procesamiento intensivo y almacenamiento de grandes volúmenes de datos para alimentar algoritmos de ML/IA. La capacidad de escalar rápidamente es crucial, especialmente para empresas que están entrenando nuevos modelos o utilizando IA en tiempo real. Empresas de Blockchain y Criptomonedas Caracterización: Clientes que operan en el sector de criptomonedas, como mineros de criptomonedas y plataformas basadas en blockchain (por ejemplo, Ethereum, Bitcoin). Estos clientes requieren grandes cantidades de potencia de procesamiento para validar transacciones y mantener la seguridad y la integridad de las redes descentralizadas..

[Audio] Los mineros de criptomonedas, en particular, utilizan data centers especializados con hardware de alto rendimiento, como ASICs (circuitos integrados de aplicación específica). Go-to-Market: Muchos utilizan data centers dedicados para alojar sus operaciones de minería de criptomonedas, donde se alquilan espacios con alta capacidad de procesamiento. Algunos optan por data centers en la nube si la escalabilidad y el acceso remoto son prioritarios. Su enfoque de mercado se basa en proporcionar servicios de baja latencia, ya que las transacciones de blockchain deben ser verificadas rápidamente. Explicación del Tipo de Consumo: Su consumo se caracteriza por una alta demanda de procesamiento continuo para validar bloques de transacciones. Requieren una gran capacidad de almacenamiento y ancho de banda para gestionar las transacciones y el consenso en tiempo real. La eficiencia energética es un factor clave, dado que las operaciones de minería requieren un consumo energético significativo. Empresas de Big Data y Análisis de Datos Caracterización: Empresas que procesan grandes volúmenes de datos para obtener información útil, como Palantir, Snowflake y startups de análisis de datos. Estas empresas manejan big data, realizando tareas de análisis, visualización y procesamiento en tiempo real. Sus clientes pueden incluir a empresas de sectores como la financiera, salud, marketing y retail. Go-to-Market: Utilizan un modelo basado en cloud computing, donde los clientes consumen infraestructura bajo demanda. Ofrecen plataformas y herramientas de análisis de datos que requieren una infraestructura robusta de procesamiento paralelo y almacenamiento distribuido. Se enfocan en soluciones personalizadas para cada sector, dependiendo del tipo de datos que se procesan. Explicación del Tipo de Consumo:.

[Audio] El consumo está impulsado por la necesidad de almacenar grandes volúmenes de datos y ejecutar análisis complejos que exigen alta capacidad de computación. Los clientes a menudo necesitan una infraestructura que permita procesar datos en tiempo real y distribuirlos rápidamente para la toma de decisiones. Empresas de Videojuegos en la Nube (Cloud Gaming) Caracterización: Plataformas de gaming en la nube como Google Stadia, Nvidia GeForce Now, y Xbox Cloud Gaming. Estas empresas permiten a los jugadores jugar videojuegos de alta calidad en dispositivos ligeros sin necesidad de hardware especializado (como consolas o PCs potentes). Requieren servidores con alta capacidad gráfica y baja latencia para ofrecer una experiencia de juego fluida. Go-to-Market: Su enfoque está basado en servicios de suscripción para acceder a juegos en la nube. Los jugadores pueden pagar por acceso a juegos y servidores en la nube sin tener que comprar consolas o equipos de alto rendimiento. Colaboran con data centers para alojar sus juegos y ofrecer procesamiento gráfico de alto rendimiento a los usuarios. Explicación del Tipo de Consumo: El consumo se basa en la necesidad de ancho de banda alto y procesamiento gráfico potente, lo cual requiere servidores equipados con GPUs de última generación. Además, deben garantizar baja latencia para asegurar que los jugadores puedan interactuar en tiempo real sin retrasos. Empresas de Internet de las Cosas (IoT) Caracterización: Empresas que gestionan dispositivos interconectados y generan grandes cantidades de datos en tiempo real, como smart cities, vehículos autónomos, y dispositivos de consumo (por ejemplo, Amazon Alexa, Google Nest). Requieren infraestructura de data centers distribuidos para procesar y almacenar los datos generados por los dispositivos..

[Audio] Go-to-Market: Se centran en la conectividad constante y la gestión en tiempo real de dispositivos, utilizando plataformas en la nube o edge computing para procesar datos cerca de la fuente. Sus clientes consumen servicios de monitorización y gestión de dispositivos conectados. Explicación del Tipo de Consumo: El consumo se caracteriza por la generación constante de datos de dispositivos conectados, que requieren almacenamiento en tiempo real y capacidad de procesamiento en la nube o cerca de la fuente de datos (en el edge). Estos clientes también buscan alta escalabilidad para gestionar el crecimiento de dispositivos interconectados. Necesidad del mercado Los altos consumidores de data centers, como las industrias de Machine Learning (ML), Inteligencia Artificial (IA), Blockchain, y otros sectores emergentes, presentan necesidades específicas y avanzadas de infraestructura para satisfacer sus demandas tecnológicas. A medida que estas tecnologías evolucionan, las demandas sobre la infraestructura de data centers crecen, impulsadas por la necesidad de un procesamiento más rápido, un almacenamiento masivo y una conectividad optimizada. A continuación, se exploran las principales necesidades del mercado de estos sectores:.

[Audio] Machine Learning (ML) e Inteligencia Artificial (IA) Necesidades: Poder de procesamiento avanzado: El entrenamiento de modelos de IA y ML requiere vastos recursos computacionales, principalmente en términos de procesadores gráficos (GPUs) y unidades de procesamiento tensorial (TPUs). Estos modelos necesitan realizar cálculos masivos, lo que genera una gran carga de trabajo para los data centers. Escalabilidad dinámica: Las cargas de trabajo de ML/IA varían dependiendo de las fases de entrenamiento o implementación, por lo que es esencial que los data centers puedan escalar según la demanda sin comprometer el rendimiento. Almacenamiento masivo: El volumen de datos necesario para entrenar modelos de ML es gigantesco, lo que implica la necesidad de soluciones de almacenamiento distribuido y de alta capacidad, a menudo en sistemas de almacenamiento en la nube. Baja latencia: En aplicaciones de IA en tiempo real, como la visión por computadora o los asistentes virtuales, la latencia debe ser mínima para una experiencia fluida y eficiente. Impacto en el Mercado: Las empresas están invirtiendo fuertemente en infraestructura flexible y escalable, utilizando tanto data centers físicos como nubes híbridas para aprovechar los beneficios de procesamiento y almacenamiento sin restricciones. Blockchain y Criptomonedas Necesidades: Capacidad de procesamiento continua: La minería de criptomonedas y las transacciones de blockchain requieren gran poder computacional. Las transacciones deben ser verificadas rápidamente, y las redes descentralizadas necesitan nodos que procesen constantemente la información. Eficiencia energética: Dado que la minería de criptomonedas, especialmente con algoritmos como Proof of Work (PoW), consume una gran cantidad de energía, los data centers que albergan este tipo de actividades deben ser capaces de optimizar el uso de energía para ser más competitivos y sostenibles. Seguridad: Dado el carácter sensible de las transacciones en blockchain, los data centers deben ofrecer alta seguridad para proteger los registros y evitar fraudes o hackeos. Impacto en el Mercado:.

[Audio] Los clientes de blockchain tienden a buscar data centers dedicados que proporcionen recursos intensivos en energía, con capacidades de computación masiva y una infraestructura confiable para asegurar la continuidad de las operaciones. Internet de las Cosas (IoT) Necesidades: Almacenamiento y procesamiento en tiempo real: Los dispositivos IoT generan enormes cantidades de datos en tiempo real. Estos datos deben ser procesados y analizados de manera inmediata para aprovechar las aplicaciones en tiempo real (por ejemplo, vehículos autónomos, monitoreo de salud, o ciudades inteligentes). Conectividad y baja latencia: Los dispositivos IoT requieren conexión constante y procesamiento casi inmediato. La latencia baja es crucial para que las aplicaciones IoT funcionen sin interrupciones o retrasos. Escalabilidad: A medida que aumenta el número de dispositivos conectados, la infraestructura de data centers debe poder manejar una expansión masiva sin sacrificar la calidad del servicio. Impacto en el Mercado: Se están desarrollando data centers distribuidos y soluciones de edge computing para procesar los datos lo más cerca posible de las fuentes (dispositivos IoT), lo que reduce la latencia y mejora la eficiencia general. Big Data y Análisis de Datos Necesidades: Capacidades de procesamiento paralelo: El análisis de grandes volúmenes de datos requiere procesadores y arquitecturas distribuidas capaces de realizar múltiples tareas en paralelo, lo que hace que las soluciones de computación en la nube sean esenciales para estos clientes. Almacenamiento masivo y seguro: Los datos deben ser almacenados de manera segura y accesible para su posterior análisis. Se necesitan soluciones de almacenamiento escalables, como almacenamiento en bloques y objetos, para manejar las enormes cantidades de información generada. Capacidad para análisis en tiempo real: Los sectores que manejan Big Data (como marketing, salud o finanzas) requieren que los data centers ofrezcan análisis en tiempo real para que las decisiones basadas en datos sean rápidas y oportunas. Impacto en el Mercado:.

[Audio] Las empresas de Big Data buscan infraestructuras flexibles que puedan manejar tanto el almacenamiento a largo plazo como las demandas de procesamiento de alta velocidad, frecuentemente con modelos de pago por uso que permiten gestionar el crecimiento de los datos. Juegos en la Nube (Cloud Gaming) Necesidades: Potencia gráfica y de procesamiento: Los juegos en la nube requieren servidores con GPUs potentes para poder ejecutar videojuegos de alta calidad de forma remota y sin retrasos. Los jugadores dependen de una experiencia fluida que solo puede garantizarse con alta capacidad de procesamiento gráfico. Baja latencia: La latencia baja es un factor esencial para los videojuegos en la nube, ya que incluso un pequeño retraso en los controles del jugador puede arruinar la experiencia de juego. Almacenamiento rápido y eficiente: Los videojuegos de alta calidad requieren almacenamiento rápido para gestionar los archivos y datos del juego mientras se juega, así como una capacidad de escalabilidad para permitir el acceso simultáneo de millones de jugadores. Impacto en el Mercado: Las plataformas de gaming en la nube se están asociando con data centers globales para asegurarse de que los jugadores puedan acceder a los juegos con una experiencia mínima de latencia y calidad visual..

[Audio] Ejemplos Los data centers son fundamentales para soportar una gran variedad de aplicaciones y servicios de alta demanda tecnológica. Algunos de los sectores y tecnologías que más consumen recursos de estos centros de datos incluyen: Machine Learning (ML) e Inteligencia Artificial (IA) En este caso vamos a enfocarnos en el ML e AI de Google hablando de lo que hacen, tienen y y sus data centers. Google se ha posicionado como uno de los líderes mundiales en el desarrollo de tecnologías de Inteligencia Artificial (IA) y Machine Learning (ML). A lo largo de los años, ha creado y adquirido diversas empresas y divisiones especializadas en este campo. Google DeepMind: Representa uno de los mayores exponentes de la investigación en IA dentro del ecosistema de Google. Originalmente fundada en 2010 en el Reino Unido por Demis Hassabis, Shane Legg y Mustafa Suleyman, DeepMind fue adquirida por Google en 2014 por aproximadamente 500 millones de dólares o Evolución y fusión estratégica: DeepMind comenzó como un startup donde la IA, el aprendizaje profundo y la neurociencia convergían en el espacio digital. Su enfoque interdisciplinario impulsó el aprendizaje automático, la ingeniería, las matemáticas, la simulación y la infraestructura informática. En abril de 2023, Google consolidó su estrategia de IA fusionando Google Brain con DeepMind para crear la nueva división llamada Google DeepMind. o Misión y enfoque: La misión principal de DeepMind es "crear un futuro intuitivo donde las tecnologías digitales beneficien a la humanidad". Guiada por el método científico, busca resolver problemas científicos y tecnológicos complejos mediante IA. Su enfoque se centra en crear "máquinas inteligentes" que trabajen en la resolución de problemas reales y contribuyan al descubrimiento científico o Logros destacados: AlphaGo: Venció al campeón mundial de Go, Lee Sedol, en 2016, marcando un hito histórico en la IA. AlphaZero: Versión mejorada que no solo juega Go, sino también ajedrez y Shogi, aprendiendo desde cero y alcanzando niveles de maestría. AlphaFold: Un predictor de estructuras de proteínas que ha sido aclamado como uno de los avances más significativos en la ciencia biomédica..

[Audio] Optimización energética: Ha aplicado su tecnología para reducir el consumo energético en centros de datos de Google. DeepNash: Sistema de aprendizaje por refuerzo para juegos complejos como Stratego. Sparrow y Gato: Sistemas de IA avanzados para interacciones conversacionales y tareas multimodales. Google Brain: Fue un equipo de investigación fundamental en la historia de la IA de Google antes de su fusión con DeepMind. o Historia y desarrollo: El proyecto Google Brain comenzó en 2011 como una colaboración de investigación entre Jeff Dean (compañero de Google), Greg Corrado (investigador de Google) y Andrew Ng (profesor de Stanford). Inicialmente como parte de Google X, el proyecto tuvo tanto éxito que volvió a convertirse en parte central de Google. o Contribuciones principales: Entre sus mayores contribuciones se encuentra el desarrollo de TensorFlow, una de las bibliotecas de aprendizaje automático más utilizadas a nivel mundial. Google Brain combinaba la investigación abierta con sistemas de información y recursos informáticos a gran escala para avanzar en el campo del aprendizaje profundo. Google AI: Es la división general de Google dedicada exclusivamente a la inteligencia artificial, anunciada en Google I/O 2017 por el CEO Sundar Picha. o Proyectos destacados:  TPUs: Desarrollo y servicio de Unidades de Procesamiento Tensorial basadas en la nube.  TensorFlow: Desarrollo continuo de este framework de código abierto para ML.  TensorFlow Research Cloud: Proporciona a investigadores un grupo gratuito de TPUs en la nube para investigación.  Google Assistant: El asistente virtual de Google, que desde 2023 es desarrollado por Google AI.  LaMDA: Familia de modelos conversacionales de lenguaje natural.  Sycamore: Un procesador cuántico programable de 54 qubits. Plataformas de IA y ML en Google Cloud: Google ha desarrollado diversas plataformas para facilitar la implementación de soluciones de IA y ML en entornos empresariales..

[Audio] o Vertex AI: Es una plataforma de aprendizaje automático que permite entrenar e implementar modelos de ML y aplicaciones de IA, así como personalizar grandes modelos de lenguaje LLMs . Sus características principales incluyen:  Interfaz unificada para desarrollo, despliegue y administración de modelos.  Amplia compatibilidad con diversos frameworks y herramientas.  AutoML avanzado que facilita la creación de modelos sin necesidad de codificación extensa.  Escalabilidad y rendimiento optimizados para entornos empresariales. Cloud AutoML: es una herramienta ofrecida por Google Cloud Platform GCP) que permite a los usuarios crear modelos personalizados de aprendizaje automático sin grandes conocimientos de ML o experiencia en codificación. Data centers de Google enfocados en IA y ML Los data centers de Google son la infraestructura esencial que permite el desarrollo y despliegue de sus avanzadas soluciones de Inteligencia Artificial IA) y Machine Learning ML. El crecimiento exponencial de estos servicios ha elevado los desafíos energéticos y ambientales, pero Google ha respondido con innovación tecnológica, especialmente mediante la integración de IA en la gestión de sus propios centros de datos. Características de los Data Centers de Google orientados a IA y ML o Escala y Especialización: Los data centers de Google están diseñados para soportar cargas de trabajo masivas de IA y ML, como el entrenamiento e inferencia de grandes modelos de lenguaje y visión computacional. Esto implica arquitecturas de hardware especializadas (como TPUs) y sistemas de almacenamiento y red de alta velocidad. o Monitoreo Extensivo: Miles de sensores recogen datos en tiempo real sobre temperatura, consumo eléctrico, flujo de aire y otros parámetros críticos, lo que permite una gestión granular y dinámica del entorno físico. o Automatización y Control Inteligente: La operación de los sistemas de enfriamiento y energía está cada vez más automatizada y optimizada por algoritmos de IA, permitiendo ajustes en tiempo real para maximizar la eficiencia y la seguridad. Consumo Energético y Tendencias o Aumento por IA: El auge de la IA ha provocado un aumento significativo en el consumo energético de los data centers de Google. En 2023, el consumo alcanzó los 24 TWh, lo que representa entre el 7% y el 10% del consumo global de electricidad de data centers. o Proporción de Energía para ML: A pesar del crecimiento, Google ha logrado que las cargas de ML (entrenamiento e inferencia) representen solo el 1015% de su consumo total de energía, gracias a la eficiencia operativa y al uso de hardware especializado..

[Audio] o Incremento de Emisiones: Las emisiones de gases de efecto invernadero de Google aumentaron un 48% en cinco años, impulsadas por la expansión de infraestructura para IA y el mayor consumo eléctrico, a pesar de mantener un 100% de correspondencia anual con energía renovable. Reducción de Huella de Carbono y Modelos Sostenibles 1. Optimización del Enfriamiento con IA DeepMind o Reducción Energética: El uso de IA de DeepMind ha permitido reducir hasta un 40% la energía empleada en enfriar los data centers, lo que se traduce en una mejora del 15% en la eficiencia energética global (PUE). o Funcionamiento: Algoritmos de aprendizaje profundo analizan datos históricos y en tiempo real para predecir condiciones futuras y recomendar acciones óptimas en la operación de chillers, ventiladores y bombas. El sistema es autónomo, pero cuenta con múltiples capas de seguridad y supervisión humana. o Impacto: Estas mejoras no solo reducen el consumo y las emisiones, sino que también disminuyen costos operativos y prolongan la vida útil de los equipos. El sistema es adaptable y se está explorando su aplicación en otras industrias. 2. Hardware y Software Eficientes o Procesadores Especializados: Google ha migrado a procesadores más eficientes y hardware dedicado para IA (como TPUs), lo que permite entrenar modelos con hasta 100 veces menos energía y reducir las emisiones asociadas hasta 1,000 veces en comparación con alternativas tradicionales. o Optimización de Modelos: La empresa aplica técnicas de diseño de modelos y entrenamiento eficiente para minimizar el tiempo y recursos requeridos por cada tarea de ML. 3. Energía Renovable y Carbono Cero o Compromiso Renovable: Google mantiene un promedio global de 64% de energía libre de carbono y busca alcanzar un 100% de energía libre de carbono 24/7 en todas sus operaciones para 2030. o Innovaciones en Respaldo: Se están implementando soluciones como el uso de diésel renovable en generadores de respaldo para reducir aún más la huella de carbono de la infraestructura crítica. Tabla comparativa consumo 2023 vs 2024 Crecimiento anual Año Consumo Energético (Twh) (%) 2023 25,9 2024 27,97 8% En 2023, los data centers de Google consumieron 25.9 TWh de electricidad..

[Audio] Para 2024, el consumo estimado es de 27.97 TWh, lo que representa un aumento aproximado del 8% respecto al año anterior, impulsado principalmente por el crecimiento de la inteligencia artificial y la expansión de la infraestructura de datos. Este incremento refleja la tendencia global de mayor demanda energética en la industria de centros de datos, especialmente por cargas de trabajo de IA y ML. Blockchain Las blockchain como Bitcoin, Ethereum y otras criptomonedas requieren grandes cantidades de recursos para el procesamiento de transacciones y la validación de bloques en sus respectivas redes. Ejemplos: o Minería de criptomonedas, que implica grandes centros de datos dedicados a la verificación de transacciones y la creación de nuevos bloques. o Redes de nodos que soportan plataformas como Ethereum o Ripple. Consumo de Energía por Transacción Bitcoin vs Ethereum Criptomoneda Mecanismo de consenso Consumo por transacción Bitcoin Proof of Work (PoW) ~707 kWh por transacción (equivale a 24 días de electricidad de un hogar promedio en EE.UU.) Ethereum (pre-Merge) Proof of Work (PoW) ~110 kWh por transacción Ethereum (post-Merge) Proof of Stake (PoS) ~0.03 kWh por transacción (similar al consumo de cargar un smartphone) Valores aproximados basados en reportes de Cambridge Bitcoin Electricity Consumption Index, Ethereum Foundation e IEA.

[Audio] Año Bitcoin (TWh/año) Ethereum (antes de The Merge) (TWh/año) 2020 78 TWh 20 TWh 2021 120 TWh 25 TWh 2022 (pre-Merge) 130 TWh 22 TWh 2022 (post-Merge) 130 TWh ~0.01 TWh 2023 132 TWh ~0.01 TWh Data Centers especializados en minería de Bitcoin Bitmain (China y EE.UU.): opera megacentros con miles de ASICs para minar BTC. Genesis Mining (Islandia): aprovecha el clima frío y energía geotérmica para reducir costos de refrigeración. Ubicaciones estratégicas Islandia, Canadá, Paraguay, Texas, Kazajistán: ubicaciones con energía barata o renovable. Texas (EE.UU.): epicentro moderno de minería gracias a incentivos fiscales y acceso a energía eólica y solar. Consumo de agua Los sistemas de refrigeración líquida en minería usan grandes volúmenes de agua. Ejemplo: Se estima que en EE.UU., la minería cripto puede usar más de 1.6 mil millones de litros de agua al año en refrigeración..

[Audio] Servicios de Nube (Cloud Computing) Las plataformas de computación en la nube como AWS, Microsoft Azure o Google Cloud requieren grandes infraestructuras de centros de datos para ofrecer servicios de almacenamiento, procesamiento y análisis de datos a escala masiva. Ejemplos: o Proveedores de IaaS (Infraestructura como servicio) como Amazon Web Services (AWS) o Google Cloud Platform (GCP). o Servicios de PaaS (Plataforma como servicio) y SaaS (Software como servicio) que necesitan grandes centros de datos para mantener la disponibilidad y el rendimiento a gran escala. Juegos en la Nube y Streaming Las plataformas de juegos en la nube (como Google Stadia, NVIDIA GeForce NOW) y servicios de streaming de video (como Netflix, YouTube) requieren una gran cantidad de recursos para ofrecer contenido en tiempo real a millones de usuarios simultáneamente. Ejemplos: o Servicios de juegos en la nube, que requieren servidores potentes para ejecutar y transmitir juegos en tiempo real a los usuarios. o Plataformas de streaming de video que ofrecen contenido en alta resolución (4K, 8K). Empresas que manejan Big Data y Análisis de datos Consu Tipo de mo Empresa Tecnologías de Refrigeración y Uso de Energías Otros Datos Relevantes Data Center Energía Renovables Estim ado de.

[Audio] Energí a Google Cloud 100% renovable desde 2017 ~12.7 TWh/a ño Refrigeración líquida, IA para eficiencia, PUE ~1.1, free cooling Centros ubicados en Iowa, Finlandia, Singapur y Chile Propios hiperesca ladores globales (EE.UU., Europa, Asia) Amazon Web Services (AWS) Propios hiperesca ladores globales +1.2 GW (gigava tios) Data centers en Virginia, Ohio, Irlanda, Frankfurt Refrigeración líquida, IA para optimización, diseño de pasillos fríos/calientes Alta inversión en renovables (PPAs solares y eólicos) +1 GW Microsoft Azure Propios hiperesca ladores globales Inmersión líquida, refrigeración adiabática, IA para gestión energética 100% renovable proyectado para 2025 Centros en Virginia, Países Bajos, Singapur y Chile IBM Cloud Propios y colocations Refrigeración eficiente tradicional, PUE promedio de 1.45 Uso de renovables en proyectos piloto No especi ficado exacto Centros en Dallas, Frankfurt, Tokio Oracle Cloud Propios regionale s En proceso de migración a 100% solar Centros en EE.UU., Brasil e India Reducción de carbono, transición a energía solar, contención térmica No especi ficado exacto Alibaba Cloud Enfriamiento evaporativo, IA para eficiencia Proyecto de 100% renovable en expansión No especi ficado exacto Destacado uso de AI para optimización energética Propios regionale s (China, EE.UU., Singapur) Big Data y Análisis de Datos Las empresas que realizan análisis de grandes volúmenes de datos (Big Data) requieren de centros de datos para almacenar y procesar esa información de manera eficiente..

[Audio] Ejemplos: o Sistemas de análisis predictivo utilizados por empresas de marketing, finanzas o comercio electrónico para procesar grandes cantidades de datos en tiempo real. o Plataformas de análisis de datos como Hadoop o Apache Spark que manejan enormes volúmenes de datos. Empresas que utilizan IoT. Empre Tecnologías Tipo de Consumo sa o de Otros Datos Uso de Energías Estimado de Platafo Refrigeración Relevante Data Center Renovables Energía rma y Energía s Parte de los +1.2 GW de AWS AWS IoT Core Parte de AWS global Refrigeración líquida, IA optimizada Alta inversión en renovables Soporte a billones de dispositivo s conectado s Azure IoT Hub Parte del +1 GW de Azure Parte de Azure global Meta: 100% renovable para 2025 Inmersión líquida, IA para gestión energética Alta capacidad para IoT industrial y edge computing.

[Audio] Parte de los ~12.7 TWh/año Google Cloud IoT Parte de Google Cloud Refrigeración líquida, IA, free cooling 100% renovable desde 2017 IoT Core cerrado en 2023, reemplaza do por soluciones personaliza das Incluido en consumo de Google Waymo (vehícu los autóno mos) Data Centers propios y en Google Cloud Refrigeración líquida, servidores optimizados para AI Utiliza infraestructu ra 100% renovable (Google) Procesami ento intensivo de datos de LiDAR, cámaras y radares Inmersión líquida, edge computing Parte de Azure renovable Parte del consumo de Azure Infraestru ctura propia + Azure Cruise (vehícu los autóno mos) Entrenamie nto de modelos de conducció n autónoma Internet de las Cosas (IoT) El IoT genera enormes cantidades de datos debido a la interconexión de dispositivos. Estos datos deben ser almacenados y procesados, lo que requiere infraestructuras de centros de datos eficientes. Ejemplos: o Ciudades inteligentes que recopilan datos de sensores y cámaras para mejorar el tráfico, la seguridad y la eficiencia energética. o Dispositivos de salud conectados que generan datos médicos en tiempo real para su análisis y almacenamiento. Realidad Aumentada (AR) y Realidad Virtual (VR) Las aplicaciones de AR/VR requieren una gran capacidad de procesamiento gráfico y baja latencia para ofrecer una experiencia inmersiva..

[Audio] Ejemplos: o Juegos de VR como Oculus o PlayStation VR. o Aplicaciones de AR en dispositivos móviles y wearables como Microsoft HoloLens. Automatización Industrial y Robótica Los sistemas de automatización industrial y robótica requieren centros de datos para almacenar y procesar datos en tiempo real, asegurando la correcta operación de los dispositivos conectados. Ejemplos: o Fabricación inteligente y robots autónomos que operan y procesan datos de sensores en fábricas conectadas. Historia breve del e-commerce El comercio electrónico (e-commerce) comenzó a surgir en los años 90 con el crecimiento de Internet. En 1994, se realiza la primera transacción en línea segura (una venta de CD). En 1995, nacen Amazon y eBay, marcando el inicio del comercio electrónico a gran escala. Desde entonces, el crecimiento ha sido exponencial, abarcando desde libros hasta productos de supermercado, servicios digitales y más..

[Audio] Hoy, el e-commerce es un sector clave de la economía global y depende fuertemente de los centros de datos para almacenar productos, gestionar transacciones, atender usuarios y mantener sistemas disponibles 24/7 Análisis Comparativo entre Empresas de e-Commerce Este informe muestra un panorama técnico sobre cinco de las principales empresas de comercio electrónico en el mundo, evaluando aspectos como consumo energético, volumen de datos procesados, tipo y cantidad de servidores, infraestructura tecnológica, ganancias anuales y la capacidad operativa en tiempo real. Consumo Energía Cantidad Ganancias Descripción Empre de de Proveedo r de Data sa Data Center Anuales (USD, Consumo de Datos (PB/año) Máquinas Center Operacio nes por Segundo (estimado (TWh/año Servidores (millones) billones) ) ) Amazo n 20.0 6000 3.2 574 AWS (propio) 1,000,000 Graviton3, x86_64, NVMe SSD, GPU 134 583,000 Alibab a 5.0 3500 1.6 Alibaba Cloud (propio) Yitian 710, ARM, SSD, IA optimizada 1.2 800 0.3 12 150,000 Merca do Libre x86, GPU en IA, discos híbridos Oracle Cloud / propios 154 JD Cloud 300,000 JD.co m 3.5 2000 0.9 ARM y x86 en alta densidad eBay 0.8 400 0.25 9 Terceros / propios 80,000 x86 estándar, hosting compartido Unidades de Medida Explicadas Concepto Unidad Explicación Consumo de energía TWh/año Teravatio-hora por año. Es una medida de energía equivalente a 1 billón de vatios-hora. Representa la energía total que consume un centro de datos al año. Consumo de datos PB/año Petabytes por año. Un petabyte equivale a 1,000 terabytes. Se refiere al volumen de datos transferidos, procesados o almacenados anualmente. Millones Indica la cantidad de equipos físicos (servidores) que operan en los data centers de cada empresa. Cantidad de servidores Ganancias USD, billones Ventas anuales de la empresa expresadas en miles de millones de dólares estadounidenses..

[Audio] Número entero Estimación de transacciones o procesos simultáneos que la infraestructura puede manejar en tiempo real. Operacione s por segundo Breve descripción de la información recolectada 1. Amazon: a. Es el líder absoluto en infraestructura, con el mayor consumo energético (20 TWh/año), más de 3 millones de servidores y una capacidad de procesamiento de 1 millón de operaciones por segundo. b. Su estrategia se basa en el uso de tecnologías propias (como los chips Graviton) y centros de datos distribuidos globalmente a través de AWS. 2. Alibaba: a. Destaca por su eficiencia tecnológica y energética. Aunque su escala es menor que la de Amazon, su capacidad operativa y uso de tecnologías como Yitian 710 muestran un enfoque fuerte en innovación. b. Tiene gran dominio del mercado asiático y opera centros de datos sostenibles con energía renovable. 3. Mercado Libre: a. Aunque más pequeña en infraestructura, muestra un crecimiento sólido en América Latina, utilizando soluciones híbridas (Oracle Cloud + propios). b. Buena adopción de IA y sistemas flexibles para escalar. 4. JD.com: a. Fuerte presencia en China, con una infraestructura que combina tecnologías ARM y x86. b. Capacidad operativa y energética cercana a Alibaba, con un enfoque cada vez más autónomo (JD Cloud). 5. eBay: a. Tiene la menor escala operativa, menor volumen de datos y servidores. b. Opera con una combinación de servidores propios y externos, lo cual limita su capacidad de expansión masiva, pero mantiene eficiencia para su modelo de negocio. El crecimiento exponencial del e-commerce, la inteligencia artificial y los servicios en la nube han impulsado una fuerte demanda de infraestructura digital. Alibaba y Amazon han respondido a esta necesidad construyendo centros de datos hiperescala distribuidos globalmente. Para este informe se compara de forma sencilla a ambas empresas tratando de abordar lo más relevante en temas de datacenter Amazon - Historia Resumida Fundación: 1994, en Seattle, EE. UU., por Jeff Bezos. Inicio: Librería en línea. Evolución: Se transformó en una de las compañías más grandes del mundo: o Amazon.com: Plataforma de e-commerce con alcance global..

[Audio] o Amazon Prime: Entregas rápidas, streaming y más. o AWS (Amazon Web Services): Líder mundial en servicios de computación en la nube. o Kindle / Audible: Lectura y audiolibros digitales. o Amazon Logistics: Red logística propia. o Alexa / Echo: Dispositivos inteligentes con IA. Alibaba – Historia Resumida Fundada en 1999 en Hangzhou, China, por Jack Ma. Comenzó como una plataforma para conectar fabricantes chinos con compradores internacionales. Hoy es un ecosistema gigantesco que incluye: 1. Alibaba.com (B2B internacional) 2. Taobao y Tmall (B2C en China) 3. AliExpress (venta internacional al consumidor) 4. Cainiao (logística) 5. Ant Group / Alipay (finanzas digitales) 6. Alibaba Cloud (servicios en la nube) Comparativa técnica Alibaba vs Amazon Empresa PUE Consumo Energía Renovable Estrategias Promedio Energético Anual Tecnológicas y Sostenibles Alibaba 1.20 Estimado > 5 TWh/año 56% (2023), objetivo 100% en 2030 Lidera en China. Optimiza con IA y chips propios (Yitian 710) para eficiencia energética en centros de datos. Amazon 1.15 > 20 TWh/año 100% alcanzado en 2023 Mayor comprador corporativo de energía renovable del mundo, con más de 500 proyectos activos. Fuerte inversión en AWS y energías limpias. ¿Qué es el PUE? PUE (Power Usage Effectiveness) es un indicador que mide la eficiencia energética de un centro de datos. Se calcula como: PUE = Energía total consumida / Energía usada por equipos de TI Ideal: Cuanto más cercano a 1.0, más eficiente es el centro..

[Audio] Ejemplo: Un PUE de 1.20 significa que, por cada 1 kWh usado en servidores, se gastan 0.20 kWh adicionales en refrigeración, iluminación, etc. ¿Qué es un TWh? TWh = Teravatio-hora, una unidad de energía. 1 TWh = 1,000,000,000 kWh (kilovatios-hora) Sirve para medir el consumo energético anual a gran escala (como el de una empresa global). Centros de Datos de Alibaba Cloud Alibaba Cloud, la división de servicios en la nube del grupo Alibaba, ha consolidado una red global de centros de datos de alta eficiencia, enfocados en el rendimiento, la escalabilidad y la sostenibilidad: Cobertura Global: Actualmente, Alibaba Cloud opera en 29 regiones y 87 zonas de disponibilidad, con fuerte presencia en Asia-Pacífico, Europa y Medio Oriente. Ubicaciones Clave Zhangbei (China): Referente en uso de energía eólica. Hangzhou y Ulanqab: Centros con IA avanzada y refrigeración líquida. Internacional: Frankfurt, Dubái, Japón, México, Singapur, Indonesia. Inversión: La empresa ha destinado más de $28.000 millones USD entre 2020 y 2023 para fortalecer la infraestructura en la nube, investigación y tecnologías energéticamente eficientes. Tecnologías Aplicadas: Refrigeración líquida por inmersión, usada en racks de alta densidad para reducir el consumo eléctrico en hasta 70%. IA para gestión térmica, que regula automáticamente el enfriamiento y la carga energética según la demanda. Chips propios Yitian 710, basados en arquitectura ARM, diseñados para aumentar el rendimiento con menor consumo por watt. Alibaba tiene como objetivo corporativo operar con 100% energía renovable para 2030. Caso destacado – Zhangbei (China):.

[Audio] Ubicado en una zona con gran potencial eólico, este centro aprovecha energía renovable local. Tiene un PUE promedio de 1.20, posicionándose como uno de los más eficientes del país. Infraestructura y Equipos Servidores personalizados: Basados en arquitectura ARM, utilizan los chips Yitian 710 desarrollados por Alibaba para mejorar el rendimiento con menor consumo energético. Racks de alta densidad: Instalaciones preparadas para alojar hasta 60-80 servidores por rack, optimizados para cargas como inteligencia artificial, bases de datos distribuidas y machine learning. Almacenamiento: a. Discos SSD NVMe para alto rendimiento. b. Arquitectura de almacenamiento distribuido con software definido (OSS, Pangu). Sistemas de red: a. Switches Ethernet de 100 Gbps, internos y externos. b. Conexiones troncales SDN (Software Defined Network), balanceo dinámico de tráfico. c. Backbone global interconectado entre zonas de disponibilidad. Energía y Redundancia UPS (Sistemas de alimentación ininterrumpida) con redundancia N+1 o 2N. Generadores diésel de respaldo que se activan automáticamente. Distribución eléctrica aislada por zonas, protegida con controladores inteligentes. Climatización y Refrigeración Refrigeración líquida por inmersión en racks de servidores críticos. Free cooling en regiones frías (Zhangbei). Sistemas automatizados por IA que controlan temperatura, humedad y flujo de aire por zonas (ajustan ventiladores, válvulas y caudales en tiempo real). Seguridad Física Control biométrico en acceso (huella y reconocimiento facial). Vigilancia 24/7 con cámaras térmicas y sensores de movimiento. Doble anillo de seguridad física: perímetro + pasillos controlados..

[Audio] Sostenibilidad PUE promedio: 1.20 56% de consumo energético proveniente de fuentes renovables (2023). Algoritmos de optimización energética en tiempo real. Se ha convertido en un referente para el despliegue sostenible de infraestructura de nube en China. Centros de Datos de Amazon Web Services (AWS) AWS, la división de computación en la nube de Amazon, lidera el mercado global no solo por volumen, sino por sus ambiciosas estrategias de expansión, eficiencia y sostenibilidad Presencia Global: AWS está presente en más de 35 regiones y más de 100 zonas de disponibilidad, abarcando América, Europa, Asia y África. Ubicaciones Clave Virginia del Norte (EE.UU.): región con más de 200 servicios disponibles. Europa: Irlanda, Alemania, Francia, Suecia. Asia-Pacífico: Japón, India, Singapur, Australia. Sudamérica: São Paulo. África y Medio Oriente: Dubái, Bahréin, Sudáfrica. Inversión: AWS Invirtió más de $35.000 millones USD en una sola región (Virginia del Norte). Sus inversiones globales superan los $100.000 millones USD acumulados para infraestructura en la nube. Tecnologías Aplicadas: Uso de chips Graviton diseñados internamente (basados también en arquitectura ARM), con una eficiencia energética superior hasta en un 40% frente a chips tradicionales. Aplicación de refrigeración líquida y aire eficiente, junto con sistemas de monitoreo inteligente 24/7 que analizan y optimizan en tiempo real el uso de energía. Centros modulares y escalables, construidos para minimizar pérdidas térmicas. Su enfoque es lograr cero emisiones netas de carbono para 2040, 10 años antes del Acuerdo de París. Caso destacado - Sostenibilidad Global.

[Audio] AWS opera desde 2023 con 100% energía renovable a nivel global, incluyendo solar, eólica e hidroeléctrica. Amazon es reconocido como el mayor comprador corporativo de energía renovable del mundo, con más de 500 proyectos energéticos en funcionamiento (solar, eólico, etc.). Infraestructura y Equipos Servidores bare-metal y virtualizados sobre chips Graviton 2 y 3, diseñados internamente por AWS. Racks modulares con posibilidad de escalar horizontalmente de forma automática mediante servicios como Auto Scaling. Almacenamiento: a. SSD NVMe local en instancias EC2. b. Elastic Block Store (EBS), Elastic File System (EFS). Red: a. Switches de 25/50/100 Gbps con balanceo regional. b. Backbone global AWS con presencia en más de 400 ubicaciones mediante AWS Global Accelerator y Amazon Route 53. Energía y Redundancia Red de alta disponibilidad (HA) y diseño de arquitectura multi-AZ. UPS redundantes (N+1, N+N). Capacidad de failover automático entre regiones. Generadores de respaldo con sistemas de testeo automático. Climatización y Refrigeración Refrigeración líquida directa al chip en data centers avanzados. Sistemas de aire forzado canalizado (hot aisle/cold aisle). Uso de free-air cooling y refrigeración evaporativa en regiones templadas. IA que analiza condiciones térmicas externas para reducir uso de energía. Seguridad Física Cumple con estándares como:  SOC 1, 2, 3, ISO 27001, PCI DSS, FedRAMP. Control de acceso por múltiples factores: tarjetas inteligentes, biometría, claves rotativas. Monitoreo 24/7 por equipos físicos y virtuales con detección automatizada de incidentes..

[Audio] Sostenibilidad PUE promedio: 1.15 Desde 2023, 100% de operaciones energizadas con fuentes renovables. Más de 500 proyectos solares y eólicos activos en 20 países. Proyectos de reutilización de calor residual y optimización por IA. Ventas en Eventos de Alto Tráfico – Escenarios de Rendimiento Extremo Tanto Alibaba como Amazon enfrentan sus mayores desafíos técnicos y comerciales durante eventos globales de alto tráfico, donde se prueban al límite sus plataformas de comercio electrónico y sus infraestructuras en la nube. A continuación, se detallan los hitos más representativos: Alibaba – Día del Soltero (11.11) Volumen de Ventas 2022-2023: Superó los $74.1 mil millones USD durante el evento, que dura varios días, pero concentra su mayor tráfico en el 11 de noviembre. Rendimiento Técnico: 1. La plataforma procesó un pico de 583.000 pedidos por segundo, una cifra récord a nivel mundial. 2. Este nivel de carga requiere una infraestructura ultraescalable con: Balanceadores distribuidos. Bases de datos no relacionales y cacheadas (como OceanBase, desarrollada internamente). Algoritmos de predicción de demanda basados en IA en tiempo real. Estrategia Técnica: a. Alibaba combina su nube pública (Alibaba Cloud) con centros de datos optimizados por regiones. b. Utiliza compiladores especializados para minimizar latencia en operaciones masivas. c. La arquitectura serverless también ha sido clave para gestionar la elasticidad bajo demanda. Amazon – Prime Day 2023 Volumen de Ventas: Amazon reportó ventas por $12.7 mil millones USD, convirtiéndose en el evento de mayor venta en su historia. Rendimiento Técnico:.

[Audio] a. DynamoDB, la base de datos NoSQL de AWS, procesó más de 126 millones de solicitudes por segundo durante los picos del evento. b. AWS Lambda y otros servicios sin servidor escalaron automáticamente para mantener rendimiento sin degradación. Estrategia Técnica: a. Arquitectura 100% en la nube (AWS), con aprovisionamiento automático por IA. b. Uso de sistemas distribuidos globales, como CloudFront (CDN) para reducir latencia en zonas geográficas clave. c. Instrumentación avanzada para observabilidad con CloudWatch y X-Ray, que permiten detectar cuellos de botella en tiempo real. Comparación Clave Aspecto Alibaba (11.11) Amazon (Prime Day) Ventas totales $74.1 mil millones USD $12.7 mil millones USD Pico de operaciones 583,000 pedidos por segundo 126 millones de solicitudes por segundo en DynamoDB Infraestruct ura Alibaba Cloud, OceanBase, IA, Serverless AWS (DynamoDB, Lambda, CloudFront, X-Ray) Escalabilida d Arquitectura híbrida, IA predictiva, chips propios Cloud-native, autoscaling inteligente, servicios distribuidos Imagen datacenter Alibaba.

[Audio] Imagen datacenter AWS Comparativa: Centro de Datos de Alibaba/Amazon vs. Servidor Convencional (On-premise) Característ ica Alibaba / Amazon (Data Centers) Servidor Convencional (Local / OnPremise) Escalabilid ad Escala horizontal en segundos con miles de nodos. Ideal para tráfico masivo. Limitada. Requiere adquirir hardware físico adicional, tiempo y espacio. Costo inicial Modelo pay-as-you-go, sin inversión inicial en hardware. Altísimo: adquisición de servidores, espacio físico, UPS, aire acondicionado, etc. Promedio de 1.15 - 1.20 (muy eficiente). Comúnmente entre 2.0 - 2.5, más consumo por refrigeración y baja eficiencia. PUE (eficiencia energética) Seguridad y respaldo Infraestructura con estándares internacionales (ISO 27001, SOC 2). Respaldos distribuidos. Seguridad depende del personal TI local. Riesgo de pérdida por desastres físicos. Diseñados para eventos masivos (Black Friday, 11.11, Prime Day). Difícil escalar ante aumento repentino de demanda. Puede colapsar. Soporte para picos de tráfico Tecnología s aplicadas Limitado a tecnologías comerciales estándar (servidores Dell, HP, etc.), difícil integración de IA o refrigeración especializada. Chips propios (Graviton, Yitian), IA para gestión térmica, refrigeración líquida, arquitecturas serverless, bases NoSQL escalables. Automatizadas y transparentes para el cliente. Requieren intervención manual del equipo de TI. Riesgo de fallos humanos. Actualizaci ones y mantenimi ento Global, baja latencia gracias a zonas de disponibilidad y CDNs. Local. Alta latencia en accesos remotos o desde otras geografías. Conectivid ad y latencia ¿Qué es el modelo Pay-as-you-go? "Pay-as-you-go" significa literalmente "paga según usas". Es un modelo de cobro donde solo pagas por los recursos que realmente consumes, sin necesidad de contratos fijos ni inversiones iniciales..

[Audio] EJEMPLO Usuario: Un comprador en Manizales, Colombia Acción: Compra en línea desde su dispositivo (celular o computador) Destino: Plataforma alojada en: Alibaba Cloud (ej: en Zhangbei, China o Frankfurt, Alemania) AWS (ej: en Virginia, EE.UU. o São Paulo, Brasil) PASO A PASO COMPARATIVO: ALIBABA vs AMAZON Etapa Alibaba Cloud Amazon Web Services (AWS) 1. Acceso inicial (DNS y CDN) El usuario entra a una web (ej. aliexp.com). El navegador resuelve el dominio usando Alibaba DNS y accede a un CDN regional si está disponible (como en México o Brasil). Se consulta Amazon Route 53. El CDN más cercano (CloudFront) entrega la página inicial desde un edge location en EE.UU. o Latinoamérica. El paquete viaja desde Colombia → red Tier 1 → Frankfurt o China (según el origen del servicio). Puede usar la red troncal global de Alibaba. Conectividad desde Colombia → red troncal → centro de datos AWS (Virginia, Ohio, São Paulo). Latencia menor por cercanía. 2. Enlace de red (conecti vidad) Peticiones llegan al backend en Alibaba Cloud, que consulta PolarDB o ApsaraDB, usando chips Yitian 710. Peticiones son atendidas por instancias EC2 o Lambda, que consultan bases Aurora, RDS o DynamoDB sobre chips Graviton 3. 3. Consult a de catálogo /product o La plataforma aplica reglas de negocio con servicios Function Compute, IA para traducción/precios, y verifica stock. 4. Validaci ón y carrito AWS aplica reglas sobre microservicios (Lambda, ECS) e integra con servicios cognitivos como Amazon Translate o Comprehend. 5. Pago Puede usar Alipay (de Ant Group) o pasarela de terceros conectada vía API REST. La transacción se firma y se almacena en OSS. El pago se procesa con Amazon Pay o terceros (Stripe, Visa). AWS usa SNS o SQS para eventos de transacción, con respaldo en S3. 6. Confirm ación y Orden almacenada, logs enviados a Log Service, auditoría automática. Se notifica al cliente por correo vía DirectMail o SMS. Uso de CloudTrail y CloudWatch para trazabilidad. Confirmación se envía por email con SES o API REST..

[Audio] Conectado a Cainiao, la red logística de Alibaba, para envío desde bodegas en Asia o LatAm. Amazon conecta con su red logística o Amazon Fulfillment para despacho desde centros regionales. trazabili dad 7. Entrega (si es product o físico) DIFERENCIAS TÉCNICAS CLAVE Elemento Alibaba Cloud AWS China (Zhangbei), Alemania, Singapur EE.UU. (Virginia), Brasil, Irlanda Ubicación común del datacenter ~250 ms (desde Colombia a China) ~80 ms (desde Colombia a Virginia o São Paulo) Tiempo de ida y vuelta (latencia) Arquitectur a Infraestructura híbrida (IaaS + Function Compute), IA de optimización, Serverless Arquitectura cloud-native, alta automatización con servicios integrados (Lambda, EBS, S3, etc.) Alibaba CDN (limitada fuera de Asia), fallback al servidor origen Amazon CloudFront (CDN global con más de 450 edge locations) CDN / Entrega web Ant Group (Alipay), API REST y Function Compute Amazon Pay, Stripe o terceros + SQS/SNS Procesamie nto de transacción Chips utilizados Yitian 710 (ARM v9) diseñados por Alibaba Graviton2/3 (ARM v8/v9) diseñados por AWS Respaldo de datos Amazon S3 + Glacier + CloudTrail para logs y auditorías OSS (Object Storage Service) + Log Service + backups automáticos Seguridad WAF, RAM, KMS, cifrado AES256, control de acceso granular IAM, AWS WAF, Shield, KMS, cifrado en tránsito y reposo CONSUMO ENERGÉTICO ESTIMADO POR COMPRA ONLINE (TRÁNSITO, PROCESAMIENTO, RESPUESTA) AWS Proceso técnico Alibaba (en Zhangbei) (Virginia) Acceso web (CDN + DNS) 0.07 Wh 0.05 Wh Procesamiento backend (funciones + validaciones) 0.12 Wh 0.10 Wh Transacción + almacenamiento 0.09 Wh 0.08 Wh Trazabilidad, logs, seguridad 0.05 Wh 0.03 Wh.

[Audio] Total estimado por compra ~0.33 Wh ~0.26 Wh Cuando un usuario en Manizales realiza una compra digital a través de plataformas como Alibaba o Amazon, esa acción sencilla activa un ecosistema técnico altamente sofisticado que depende completamente de la operación de un centro de datos. ¿Qué ocurre dentro de un data center? Un centro de datos no es solo un espacio físico con servidores; es una infraestructura crítica donde se combinan: Cómputo: procesamiento de datos en CPU/ARM personalizados como Graviton (AWS) o Yitian (Alibaba). Red: sistemas de switching y routing de alta velocidad (25, 40 o 100 Gbps) que conectan servidores entre sí y con el exterior. Almacenamiento: discos SSD NVMe y clusters de almacenamiento distribuido que permiten guardar millones de operaciones por segundo. Seguridad: control de acceso físico (biometría, video vigilancia), así como firewalls virtuales y cifrado avanzado en cada nivel. ¿Y qué implica esto en términos de energía? Aunque una sola transacción parezca liviana, el consumo se multiplica cuando hablamos de millones de usuarios accediendo simultáneamente. En el ejemplo comparativo: Una compra única puede consumir entre 0.25 Wh y 0.33 Wh dependiendo de la nube usada. En un evento como el Día del Soltero (Alibaba) o Prime Day (Amazon), se procesan millones de transacciones por minuto, lo que puede representar el uso de varios gigavatios-hora (GWh) en pocas horas. Infraestructura detrás del consumo Para sostener esa demanda, los centros de datos incluyen: Sistemas de refrigeración avanzados (como refrigeración líquida por inmersión, evaporativa o free cooling). Redundancia eléctrica con UPS, generadores y distribución N+1 o 2N. Inteligencia artificial que optimiza el consumo en tiempo real (ajustando cargas, refrigeración y distribución de tráfico). Uso creciente de energía renovable para reducir huella de carbono (Amazon 100% renovable desde 2023; Alibaba en 56% con meta 100% al 2030)..

[Audio] Reflexión Cada clic, búsqueda o compra no es un acto "virtual" inofensivo; es respaldado por infraestructuras físicas masivas, que requieren tanto energía como innovación constante para mantenerse sostenibles. La eficiencia energética (PUE) se vuelve un indicador ético y técnico, reflejo de cuán avanzada y responsable es una plataforma tecnológica. Y detrás de todo eso… hay centros de datos funcionando 24/7 como el corazón del mundo digital. Estado del arte El estado del arte de los altos consumidores de data centers se centra en las últimas tendencias y avances tecnológicos en sectores que demandan grandes recursos computacionales, como Machine Learning (ML), Inteligencia Artificial (IA), Blockchain, Big Data, Internet de las Cosas (IoT) y gaming en la nube. Estos sectores impulsan la demanda de infraestructuras de alta capacidad y eficiencia. En ML e IA, el uso de TPUs y GPUs especializadas, así como la computación cuántica, está mejorando el procesamiento y entrenamiento de modelos complejos. Las plataformas de cloud computing como AWS, Google Cloud y Azure están optimizando recursos, y la automatización de la IA (AutoML) está aumentando la demanda computacional. Las aplicaciones de IA en tiempo real requieren baja latencia y gran ancho de banda. En el ámbito de Blockchain, tecnologías como Proof of Stake y el almacenamiento distribuido (Filecoin, IPFS) están reduciendo el consumo de recursos en comparación con Proof of Work. La integración de blockchain en la nube y el enfoque en la eficiencia energética y la interoperabilidad están también marcando la pauta. En Big Data, el uso de tecnologías de procesamiento distribuido como Hadoop y Spark requiere data centers con alta capacidad de almacenamiento y procesamiento en tiempo real. El análisis predictivo y los data lakes están en crecimiento, impulsando la necesidad de data centers híbridos que gestionen grandes volúmenes de datos. Finalmente, en IoT, el desarrollo de Edge Computing y la implementación de 5G están mejorando la latencia y optimizando el procesamiento de datos cerca del origen. Los data centers localizados y las redes inteligentes son fundamentales para soportar la creciente comunicación entre dispositivos IoT..

[Audio] En resumen, la demanda de data centers está impulsada por la evolución de estas tecnologías, que requieren infraestructuras altamente escalables, eficientes y con capacidades de procesamiento y almacenamiento avanzadas. Conclusión Los altos consumidores de data centers, provenientes de sectores como Machine Learning (ML), Inteligencia Artificial (IA), Blockchain, Big Data, IoT y gaming en la nube, tienen necesidades específicas y avanzadas de infraestructura tecnológica. Estas industrias demandan capacidades de procesamiento y almacenamiento masivas, así como una alta escalabilidad, flexibilidad y eficiencia energética. Las empresas en estos sectores, como las dedicadas al desarrollo de IA y ML, las plataformas de Blockchain, las que manejan Big Data o las del IoT, requieren de soluciones especializadas que permitan el procesamiento en tiempo real y el análisis de grandes volúmenes de datos. La evolución tecnológica, como el uso de GPUs, TPUs y la computación cuántica en IA, la transición de Proof of Work a Proof of Stake en Blockchain, y las soluciones de Edge Computing en IoT, está impulsando la innovación en los data centers, los cuales deben adaptarse a una demanda creciente de recursos. Los modelos de pago por uso, las soluciones de cloud computing y la optimización de la infraestructura son clave para satisfacer estas necesidades. En resumen, el mercado de data centers está siendo transformado por la rápida evolución de tecnologías emergentes, que requieren infraestructuras altamente especializadas, eficientes y escalables para soportar el creciente consumo de recursos. Referencias: Cadlan. (s.f.). ¿Qué es un Data Center? https://www.cadlan.com/noticias/que-es-un-datacenter/.

[Audio] OpenUp. (s.f.). El papel de los centros de datos en la era digital: Ventajas y retos. https://www.openup.es/es/el-papel-de-los-centros-de-datos-en-la-era-digital-ventajas-y-retos/ Google Cloud. (s.f.). ¿Qué es la computación en la nube? https://cloud.google.com/learn/what-is-cloud-computing?hl=es-419 Amazon Web Services. (s.f.). AWS Global Infrastructure. https://aws.amazon.com/es/about-aws/global-infrastructure/ DataCamp. (s.f.). TPU vs GPU: ¿Cuál es mejor para IA? https://www.datacamp.com/es/blog/tpu-vs-gpu-ai International Energy Agency. (2022). Bitcoin's energy use mined the gap. https://www.iea.org/commentaries/bitcoin-energy-use-mined-the-gap Business Insider. (s.f.). Proof of Stake vs. Proof of Work: What's the difference? https://www.businessinsider.com/personal-finance/investing/proof-of-stake-vs-proof-of-work Forbes. (2023, octubre 11). One year after the merge, sustainability of Ethereum's proof-ofstake is uncertain. https://www.forbes.com/sites/digital-assets/2023/10/11/one-year-after-themerge-sustainability-of-ethereums-proof-of-stake-is-uncertain/ Socomec. (s.f.). Understanding power consumption in data centres. https://emea.socomec.com/en/solutions/business/data-centres/understanding-powerconsumption-data-centres Databricks. (s.f.). Cluster metrics. https://docs.databricks.com/aws/en/compute/clustermetrics Palmer, D. (2022, junio 15). How Stadia works. https://danpalmer.me/2022-06-15-howstadia-works/ TierPoint. (s.f.). Edge computing and IoT. https://www.tierpoint.com/blog/edge-computingand-iot CBRE. (2024). North America Data Center Trends – H2 2024. https://www.cbre.com/insights/reports/north-america-data-center-trends-h2-2024 Amazon. (2023). Amazon meets 100% renewable energy goal seven years early. https://www.aboutamazon.eu/news/sustainability/amazon-meets-100-renewable-energy-goalseven-years-early Amazon Web Services. (2023). Sustainability at AWS. https://sustainability.aboutamazon.com Alibaba Cloud. (2023). Data Center Infrastructure & Sustainability. https://www.alibabacloud.com Greenpeace & NorthBridge. (2023). Clicking clean: Who is winning the race to build a green internet? Greenpeace. https://www.greenpeace.org/usa/reports/clicking-clean/ Statista. (2024). E-commerce market size and data center energy consumption statistics. https://www.statista.com Uptime Institute. (2023). Global data center survey 2023: Trends in PUE and infrastructure. https://uptimeinstitute.com International Energy Agency (IEA). (2023). Data centres and data transmission networks. https://www.iea.org/reports/data-centres-and-data-transmissionnetworks.

[Audio] Gartner. (2023). Market share analysis: Infrastructure-as-a-service, worldwide. https://www.gartner.com/en/documents Bloomberg News. (2023). Cloud giants face pressure to reduce carbon footprint. https://www.bloomberg.com/news/articles/2023-cloud-carbon-footprint Universidad Iberoamericana. (2024). Impacto ambiental y soluciones sostenibles. Ibero ongoing. https://ongoing.ibero.mx/wpcontent/uploads/2024/09/Impacto-Ambiental-y-Soluciones-Sostenibles.pdf Sustainability at Google. Recuperado de: https://sustainability.google Amazon Web Services. (2024). AWS and Sustainability. Recuperado de: https://aws.amazon.com/sustainability/ Microsoft. (2024). Microsoft Sustainability Report 2024. Recuperado de: https://www.microsoft.com/sustainability.