Per Héctor Martínez,
Project Manager Database Solutions
Membre de l'equip Abast Innovation Lab
Estar a la última
El sector tecnològic és, sens dubte, un dels que ofereix un ritme constant de novetats. Empesos per un benefici potencial, és normal voler estudiar l’adopció de l’última tecnologia emergent. El problema és decidir el moment adequat per fer-ho.
El debat està entre arribar massa tard, quan el seu potencial com a factor diferenciador, encara que segueix existint, s’ha reduït, o arribar massa d’hora, assumint costos extra al procés de maduració.
El 2004, es va publicar un algorisme que permetia buscar en dades no estructurades: MapReduce. Encara que en només quatre anys ja havia aparegut Hadoop, van ser necessaris uns quants anys més perquè la paraula Big Data estigués a la portada de tots els mitjans del sector i es popularitzessin els desplegaments. Ara sabem que molts daquests projectes es van implementar massa aviat. Avui dia, l’evolució de les tecnologies de Big Data continua, però amb altres noms (Spark) o diferents enfocaments (Databricks).
Aquest és un bon exemple de com una tecnologia passa per totes les fases de la corba del ciclo del “Hype” de Gartner: iniciada per una espurna d’ <Innovació>, seguida per unes <Expectatives Inflades> que clarament desemboquen en <Desil·lusió>. Una vegada passada aquesta fase, es recupera el camí de <Il·luminació> per arribar, finalment, a la <Productivitat>.
Un exemple actual
El 1946 es va presentar ENIAC, un dels primers ordinadors de propòsit general, utilitzat per l’Exèrcit dels EUA per fer càlculs balístics. A principis dels anys 80, es van començar a implantar coprocessadors matemàtics juntament amb les CPUs dels ordinadors per ajudar en les operacions de coma flotant. Als 2000, s’havia estabilitzat la distribució de GPUs per ajudar amb certs càlculs, tant en videojocs com en Intel·ligència Artificial. El 2011 es va vendre el primer ordinador quàntic comercial i, el 2021, Microsoft va presentar Azure Quantum. Avui dia es parla dels QCPUs (CPUs quàntiques) com a acompanyants de les CPUs de propòsit general en el que anomenaríem Computació Quàntica Híbrida.
Els exemples més grans d’ús de Computació Quàntica són els d’optimització: gestió de flotes en empreses de logística, desenvolupament de nous materials per a la indústria, desenvolupament de fàrmacs i detecció de frau per a asseguradores. Tot i això, els dos sectors més prometedors són:
-
- Gestió de porfolis financers.
- Eficiència energètica.
El 1973 es va viure un punt d’inflexió amb la introducció de les matemàtiques en la gestió de derivats financers, gràcies al treball de Fischer Black y Myron Scholes. Myron Scholes guanyaria anys més tard el Nobel d’Economia. Amb aquests antecedents, no era estrany que el sector financer es fixés en la Computació Quàntica.
Aleshores hauria d’implementar la Computació Quàntica?
Preguntant-li al meu fill quan hem d’implementar una nova innovació tecnològica, la resposta va ser simple: “ quan la nova sigui millor que la que ja tenim”. En aquest cas, tenim una mida definida: la “Supremacia Cuàntica“, que s’assoleix quan processos que es realitzen amb computació clàssica són més ràpids utilitzant computació cuàntica.
Amb el que ens trobem és que es va anunciar haver arribat a la Supremacia Cuàntica al 2019, fa ja cinc anys, en els quals no hem viscut cap revolució sobre això. I és que, si aquest fos un <Desencadenant Innovador>, ara estaríem en la fase de <Desil·lusió>.
Fa cinc anys ja hi va haver discussió sobre l’anunci de la Supremacia, doncs alguns dubtaven de la veracitat d’aquesta afirmació, pensant que el seu objectiu era mantenir el finançament de les investigacions. Tot i això, ha estat precisament a partir d’aquest anunci quan els resultats en el sector de la Intel·ligència Artificial han aconseguit redirigir qualsevol esforç o inversió fora de l’abast de la computació quàntica.
Encara que el Quantum Roadmap s’ha anat complint durant aquests anys, tenint com a propera fita els més de 4000 qubits per al 2025, hem vist més senyals d’estancament. Si la computació funciona amb bits, la computació quàntica funciona amb qubits i la predicció és que fins que no arribem al milió de qubits els ordinadors quàntics no passaran a la darrera fase de la corba de Gartner: la <Productivitat>.
La veritat és que també hi ha una gran manca d’algorismes adaptats a la Computació Quàntica i capaços de treure partit a tot el seu potencial, cosa que limita enormement els càlculs que podem realitzar i el desplegament i el creixement d’aquesta tecnologia. Potser per això hi ha un gran esforç per promoure la Computació Quàntica en l’àmbit universitari, com el Qiskit Summer School o el Quantum Challenge.
També hi ha una pugna pel llenguatge de desenvolupament per a computació quàntica, on podem trobar Qiskit de codi obert, o Q#, el llenguatge de Microsoft, obligant-nos a triar com ja ho fem entre Java, C# o Python per a les nostres aplicacions. Però el veritable dubte és a l’arquitectura del maquinari, on no tenim clar quina és la millor per fabricar qubits. Qubits Superconductores, Iones Atrapades o l’aposta de Microsoft amb els Qubits Topològics. Però la veritat és que si vulguessim apostar quina serà la millor arquitectura de hardware necessitaríem la fórmula de BlackScholes per reduir el risc.
Quan he d’innovar aleshores?
Per respondre aquesta pregunta és fonamental plantejar-se més qüestions que ens ajudin a mesurar el moment adequat per innovar, com ara: Què necessitem per mesurar temps d’innovació? Tots hem d’innovar alhora? Quins factors defineixen el moment en què cal innovar?
No totes les organitzacions ni els sectors es mouen al mateix ritme, i encara que sempre hi hagi el debat entre liderar o quedar-se enrere, una bona anàlisi de la situació pot marcar el camí de l’èxit. Posar en valor el coneixement de cada empresa amb un bon acompanyament, amb visió de les tecnologies emergents i els temps d’innovació, pot ser la clau per respondre aquestes preguntes.