El año pasado escribí un análisis de equipos portátiles para Machine Learning y otro de Mini PC. Ambas han sido unas entradas muy bien recibidas en las que se analizaron las características clave que se debería analizar a la hora de comprar ordenadores para Machine Learning. A pesar de ello, son publicaciones que necesitan una revisión dada la rápida evolución de la tecnología. En esta entrada se van a ver cómo escoger entre un portátil o un ordenador de sobremesa para trabajos de Machine Learning y revisarán algunas de las mejores opciones de las que se dispone a principio de año.
* En este artículo, nuestras recomendaciones son el resultado una evaluación rigurosa e independiente. Algunos enlaces incluidos en el texto son enlaces de afiliados, lo que significa que podemos recibir una comisión si decides realizar una compra a través de ellos. Esta comisión no afecta de ninguna manera a nuestra selección de productos ni influye en nuestra opinión sobre los mismos.
¿Necesito un portátil y un equipo de sobremesa?
La elección entre un portátil o un equipo de sobremesa es una decisión personal que dependerá de las necesidades específicas. Aunque la mayoría de los usuarios se decantan por los portátiles, tal vez no sea la mejor opción. Los portátiles ofrecen portabilidad, pero a costa de un menor rendimiento, más problemas de disipación térmica, menos posibilidades de aplicación y un mayor precio. Por eso, lo primero es ver si la mejor opción es un portátil, un ordenador de sobremesa o son necesarios ambos.
Portátiles para Machine Learning
La principal ventaja de los portátiles frente a los ordenadores de sobremesa es su portabilidad. Lo que ofrece la libertad de poder trabajar en cualquier lugar sin limitaciones. Contar con un portátil es esencial para presentar los modelos, colaborar con colegas y asistir a conferencias o seminarios.
En su contra los portátiles cuentan con procesadores y GPU con una menor potencia de procesado, lo que puede afectar al rendimiento en tareas intensivas. Aunque los nombres comerciales de los procesadores sean similares, no se suelen equipar los mismos en portátiles y en equipos de sobremesa. La necesidad de un menor consumo, debido a la alimentación con baterías, hace que los modelos para portátiles tengan una menor potencia. Incluso, algunos equipos modernos bajan la potencia cuando se trabaja solo con batería.
Además, debido a las limitaciones de tamaño, cuentan con una menor capacidad de refrigeración que los equipos de sobremesa. Por lo que aparece antes el temido efecto de estrangulamiento térmico (Thermal Throttling). Un mecanismo de protección térmica implementado en los procesadores y tarjetas gráficas para prevenir daños por sobrecalentamiento. Básicamente, el Thermal Throttling reduce de forma dinámica la velocidad de reloj del procesador o la frecuencia de la GPU para disminuir el calor generado y mantener estos a temperaturas seguras.
Finalmente, los portátiles también cuentan con menos opciones de expansión. Las limitaciones de espacio hacen que muchas componentes estén soldadas en placa y no sea posible cambiarlas como en un equipo de sobremesa.
Equipos de sobremesa para Machine Learning
En cuanto a los equipos de sobremesa la principal ventaja de estos es su rendimiento. Al no tener la limitación de tener que trabajar con batería puede equipar procesadores más potente y GPU de alto rendimiento ya que la alimentación eléctrica no es un problema. Lo que se traduce en una capacidad mayor capacidad de procesamiento ideal para entrenar modelos de Deep Learning.
Otra ventaja de los ordenadores de sobremesa es su capacidad de expansión. En estos equipos es posible cambiar fácilmente la GPU, RAM, almacenamiento e incluso la CPU. Lo que permite adaptar la estación de trabajo a medida que las necesidades de procesamiento aumentan, con un coste mucho menor que adquirir un equipo nuevo.
Obtener la misma potencia de cálculo en un ordenador de sobremesa es más económico que en un portátil. Además de tener una vida media más larga. Aunque puede ser necesario comprar periféricos como monitor, teclado y ratón cuando no están incluidos.
La principal desventaja de los equipos de sobremesa es que estos no se pueden mover fácilmente, por lo que no son una buena opción para aquellos que necesiten trabajar en movilidad.
Posibilidad de combinar un sobremesa y un portátil
Trabajar con un ordenador portátil o de sobremesa no es algo excluyente. Es posible contar con ambos para combinar las ventajas de cada uno: la portabilidad de los portátiles y la potencia y estabilidad de los sobreseas. Aunque requiere una inversión mayor.
Si solamente se necesita un portátil para unas pocas presentaciones, invertir en un equipo de gama alta puede no ser la mejor opción. Un equipo de gama baja puede ser suficiente y el resto de la inversión se puede dedicar a un equipo de sobremesa para el trabajo diario. Incluso, con la capacidad actual de las redes de comunicación, se podría usar el equipo de sobremesas en remoto pudiendo tener la potencia de un sobremesa en movilidad sin la necesidad de invertir en un equipo de gama alta.
Finalmente, con la combinación de ambos equipos se puede aumentar la productividad. Las tareas de baja intensidad se pueden realizar en el portátil, mientras con el sobremesa se pueden abordar proyectos de mayor intensidad. Pudiendo trabajar a la vez con diferentes sistemas operativos y aprovechar de esta manera las ventajas de cada uno de ellos.
Encontrar el equilibrio ideal
En última instancia, la elección entre un portátil, un equipo de sobremesa o la combinación de ambos es una decisión personal que depende de varios factores. La necesidad de portabilidad nos puede llevar a un portátil y la de potencia a un equipo de sobremesa. Por otro lado, la combinación de ambos requiere una mayor inversión, pero es algo que se puede hacer paulatinamente. Es posible iniciarse con un portátil y pasado un año o dos, en lugar de renovar el portátil, adquirir un equipo de sobremesa y mantener el portátil.
Principales características a tener en cuenta en los ordenadores para Machine Learning
A la hora de comprar ordenadores para Machine Learning es importante tener en cuenta cinco características, independientemente de si estos sean portátiles u ordenadores de sobremesa.
Procesador (CPU)
La CPU es el cerebro del ordenador y posiblemente la pieza más importante de cara al rendimiento. En los equipos de hoy en día es necesario tener en cuenta tanto la velocidad de reloj, medida en gigahercios (GHz), como el número de núcleos. Una mayor cantidad de núcleos no necesariamente significa un mayor rendimiento, esto dependerá de las tareas que se realicen y el software que se use.
La velocidad de reloj del procesador indica cuántas operaciones puede realizar una CPU por segundo. Por lo que, para una misma arquitectura (por ejemplo, x86 o ARM), una velocidad de reloj más un mayor rendimiento en tareas mono núcleo. Un parámetro importante para tareas que no se pueden dividir eficientemente en múltiples núcleos. Aumentar el aumento de la velocidad del reloj también implica un mayor consumo de energía y, por ende, más calor. Lo que se debe tener en cuenta especialmente en los portátiles.
Quizás para el entrenamiento de modelos de Machine Learning sea más importante el número de núcleos del procesador. La mayoría de las tareas de Machine Learning se pueden ejecutar en paralelo, por lo que aumentar el número de procesadores usados en el entrenamiento de los modelos hará que este termine antes. Aunque, al igual que la velocidad de reloj, más núcleos también significa un mayor consumo de energía y disipación de calor. Finalmente, en las últimas generaciones de procesadores existen núcleos de alto y bajo rendimiento, para tareas de Machine Learning solo se deben tener en cuenta los de alto rendimiento.
Por todo esto, antes que fijarnos en el nombre comercial del procesador (i5, i7 o i9) es más importante la generación. Un i5 de última generación puede ser más potente que un i9 de hace varios años, además de consumir menos energía. Lo mismo sucede con los Ryzen de AMD. Por eso se debería considerar únicamente procesadores de las últimas generaciones la 14ª (14xxx), la 13ª (13xxx) o 12ª (12xxx) de Intel o los AMD de 7ª (7xxx) o AMD de 6ª (6xxx).
Procesador gráfico (GPU)
Las GPUs son fundamentales para acelerar el entrenamiento de modelos de Deep Learning. Tensor Flow, la principal librería para la creación de modelo de Deep Learning, está pensada para trabajar sobre GPU con CUDA. Por lo que sí se piensa trabajar en Deep Learning es recomendable que el ordenador cuente con una GPU potente y compatible con CUDA. Aunque esto limita a las GPU de NVIDIA, ya es posible ejecutar Tensor Flow sobre gráficas AMD o procesadores Apple (M1, M2 o M3), aunque la instalación y configuración es algo más complejo.
Memoria RAM
La memoria RAM es clave para el entrenamiento de modelos con grandes conjuntos de datos, pudiendo llegar a ser un cuello de botella para la CPU o GPU. Por lo que es necesario ser generoso con la cantidad de RAM. Actualmente, contar con menos de 16 GB puede ser un problema, por lo que esta debería ser la cantidad mínima de RAM. Recordemos que aumentar la memoria por encima de lo necesario no reducirá el tiempo de ejecución de los programas, en este caso la memoria extra quedará sin uso.
Además de la cantidad de memoria también es importante considerar la velocidad de esta. Esto es, lo rápido que puede transferir los datos al procesador. Siendo lo ideal que esta sea de tipo DDR5.
Almacenamiento
En cuanto al tipo de almacenamiento no hay duda, se debe huir de discos duros mecánicos (HDD) y comprar únicamente modelos de estado sólido (SSD). Los SSD son mucho más rápidos que los HDD. Afectando al rendimiento de los equipos, reduciendo el tiempo que tardará en cargar el sistema operativo, los programas y los datos. Las soluciones híbridas, un SSD para el sistema operativo y los programas combinado con un HDD para almacenar los datos, tampoco son recomendables hoy en día dado que el precio de los SSD ya no son un problema como hace años.
Para seleccionar la cantidad de almacenamiento es importante tener en cuenta todos los datos que se desean almacenar en el equipo. Especialmente en los portátiles donde es difícil actualizar los discos. Si solamente se va a usar para escribir código y ejecutar modelos con 512 GB será suficiente, pero si se van a almacenar grandes conjuntos de datos lo aconsejable sería 1 TB.
Puertos y conectividad
Es importante que el equipo cuente con los puertos suficientes para conectar dispositivos. Actualmente lo mínimo sería contar con varios puertos USB 4, para poder conectar discos duros externos y otros dispositivos, y un HDMI, para conectar con monitores o proyectores. Además, contar con puertos Thunderbolt también puede ser un añadido interesante. El estándar en cuanto a conexión es el puerto USB tipo C, pero aún existen en el mercado múltiples dispositivos que se conecta mediante USB tipo A, por los lo ideal sería contar con ambos.
La falta de puertos en portátiles tampoco es un problema grave, si se cuenta con un conector USB tipo C, se puede recurrir a adaptadores conectar dispositivos con conector USB tipo A, conectores de red, HDMI o incluso VGA.
Factores a tener en cuenta en los portátiles
En los portátiles es necesario tener en cuenta dos factores adicionales: el tamaño y la batería.
Importancia del tamaño de un portátil
En los portátiles el tamaño es clave. Los equipos pequeños son portátiles y ligeros, un equipo de 12 pulgadas puede estar por debajo del kilo. Pero esto estas ventajas se traducen en un tamaño de pantalla reducido, poca duración de la batería y posiblemente un mayor calentamiento. Por otro lado, los equipos de 15 o 16 pulgadas cuentan con una pantalla de mayor tamaño, mayor duración de la batería y una mayor capacidad de disipación térmica. Lo que permite incluir procesadores más potentes. Como es obvio, su mayor desventaja es el peso, ya que estos equipos pueden llegar a pesar varios kilos y ser difíciles de mover. En el punto intermedio se encuentran los portátiles de 13 o 14 pulgadas que ofrecen un compromiso entre ambos extremos.
Al escoger un ordenador para Machine Learning, posiblemente los ultraportátiles de 12 pulgadas no sean una opción. La falta de potencia no los hace muy aconsejables.
A la hora de escoger entre un equipo de 13 o 14 pulgadas frente a uno de 15 o 16, las prioridades personales son importantes. Los equipos pequeños son más ligeros, por lo que si se tiene que viajar mucho con ellos son una mejor opción. Por otro lado, los modelos más grandes ofrecen una mayor potencia, duración de la batería y tamaño de pantalla.
Duración de la batería
Si se necesita trabajar solamente con la batería, la duración de esta es clave. El entrenamiento de modelos de Machine Learning consume mucha energía, especialmente los de Deep Learning. Como ya se ha comentado en la sección anterior, los equipos más grandes suelen contar con mayor duración de batería, pero también importa la generación y el tipo de procesador. Los ordenadores de última generación cuentan con procesadores más eficientes y baterías con mayor densidad energética, lo que se traduce en poder trabajar más horas con ellos.
¿Mac o PC?
Otra duda que puede surgir a la hora de comprar un equipo portátil para Machine Learning es la plataforma. ¿Son mejores los sistemas basados en Windows, Linux o macOS? Creo que esta es una cuestión de preferencias personales (salvo que sea necesario ejecutar software que no exista en alguna plataforma), por lo que la mejor opción es aquella con la que cada uno se encuentre más a gusto. Prácticamente todas las herramientas más populares usadas en Machine Learning están disponibles para las tres plataformas. Teniendo un rendimiento similar en todas ellas.
Aunque existe una excepción en el caso de que se necesite trabajar con CUDA, caso en el que la opción debería ser un PC.
Portátiles para Machine Learning en 2024
En esta sección se va a ver una lista de posibles portátiles que se pueden comprar para Machine Learning a principios de 2024. Considera la lista como una propuesta no exhaustiva y revisa otras opciones similares que pueden existir.
Portátiles con pantallas de 14 pulgadas
Los equipos de con pantalla de 14 pulgadas suelen ser una combinación ideal entre portabilidad y potencia. Debido a su tamaño, no es habitual encontrar tarjetas gráficas dedicadas. Algunas posibles opciones
ASUS VivoBook 14
Los ASUS VivoBook 14 es una familia de portátiles que se pueden encontrar a partir de unos 700 euros y representa una combinación ideal entre portabilidad y potencia. Combinando una pantalla de 14 pulgadas con un peso en torno a 1,5 Kg. Lo que los hace extremadamente cómodos para trabajar en movilidad.
Algo que destaca de este portátil es la duración de la batería, el fabricante anuncia una duración de hasta 24 horas. Valor que difícilmente se alcanzará condiciones de uso reales, pero según pruebas independientes se queda en más de 10 horas.
ThinkBook 14 Gen 6
Si tenemos un presupuesto ajustado, los Lenovo ThinkBook son una solución excelente. Por debajo de los 800 euros se puede conseguir un equipo con un procesador AMD Ryzen 5 7530U, 16 GB de RAM y un SSD de 512 GB. Un procesador más que aceptable por ese precio.
LG Gram 14
Otra opción en caso de querer un PC de 14 pulgadas son los LG Gram. Unos equipos cuyo precio comienza a partir de los 1400 euros, pero cuyo peso es inferior a 1 Kg. Por lo que, si nuestra prioridad es la portabilidad, es una mejor opción que el equipo anterior.
Al igual que el equipo anterior, el fabricante promete una duración de la batería de hasta 24 horas. Valor que difícilmente se consigue en la realidad.
MacBook Air M2 de 13 pulgadas
Para los que prefieran un Mac, los MacBook Air de 13 pulgadas son la opción ideal en caso de tener un presupuesto ajustado o preferí un equipo ultra portátil, ya que solamente tiene un peso de 1,2 Kg.
La configuración básica comienza en 1149 euros, pero es aconsejable aumentar la memoria a 16 Gb en caso de que se desee realizar tareas intensivas.
MacBook Pro de 14 pulgadas
En el mundo Mac la otra opción es el MacBook Pro M3 de 14 pulgadas. Un equipo cuyo peso aumenta a los 1,5 Kg, pero aún sigue siendo un equipo cómodo para el día a día.
La configuración básica es más cara, el modelo con procesador M3 parte de unos 2279 euros, pero ya cuenta con 16Gb de RAM y disco duro de 512 GB. A fecha de publicación, aún existe la opción de comprar el modelo M2, más económico y el rendimiento sigue siendo excelente.
Portátiles con pantallas de 15 o más pulgadas
Los equipos de con pantalla de 15 pulgadas suelen contar con una mayor potencia que los modelos más pequeños, aunque su peso también es mayor. En estos casos es más fácil contar equipos con tarjetas gráficas dedicadas. Algunas posibles opciones para estos equipos son las siguientes.
ThinkPad E16 Gen 1
En el caso de necesitar un portátil con pantalla de 16 pulgadas y si se cuenta con un presupuesto limitado se puede decantar por el ThinkPad E16 Gen 1. Un equipo con un procesador AMD Ryzen 5 7530U, 16 GB de RAM y 1Tb de SSD.
LG Gram de 15 pulgadas
Si se cuenta con un presupuesto mayor se puede optar por un LG Gram de 15 pulgadas. Una opción que en torno a 1000 euros ofrece, según datos del fabricante, 22 horas de autonomía y solamente tiene un peso de 1.1 Kg, lo que lo convierte en un ordenador muy portátil a pesar de ser un modelo de 15 pulgadas.
Quizá el único punto débil que se puede atribuir a este equipo sea la falta de una tarjeta gráfica dedicada. Pero si la incluyese no podría tener este peso.
Acer Nitro 5
Los Acer Nitro 5 son una familia de ordenadores para gaming que son bastante adecuados para realizar tareas de Machine Learning. Puede configurarse con diferentes tarjetas gráficas y procesadores con precios que comienzan en los 750 euros.
Al igual que la mayoría de los equipos para gaming, no incluye una en el precio una licencia de Windows, por lo que en caso de querer trabajar con este sistema operativo será necesario agregar el precio a la hora de comprar este equipo.
ASUS TUF F15
Otra alternativa al equipo de la sección anterior son los ASUS TUF F15, unos modelos para gaming de 15 que ofrecen un gran rendimiento. Estos equipos parten de 1200 euros y se pueden configurar con diferentes CPU y GPU.
Como la mayoría de los ordenadores de gaming no cuentan con Windows preinstalado.
ASUS TUF F17
Si la portabilidad no es un problema, existe una versión con pantalla de 15 pulgadas del ASUS TUF, con un precio que parte de 1200 euros, pero con una mayor pantalla.
MacBook Air M2 15 pulgadas
Para aquellos que prefieren un Mac con un peso reducido la solución de 15 pulgadas es el MacBook Air 15 de 15 pulgadas. Un equipo que parte de 1500 euros, pero al que es aconsejable aumentar la memoria por encima de los 8 Gb que vienen en la configuración básica.
MacBook Pro M3 16 pulgadas
En el caso de contar con presupuesto, la opción ideal en el mundo Mac sería el MacBook Pro de 16 pulgadas. Un equipo que con una configuración de 18Gb parte de los 3000 euros.
Mini PC para Machine Learning en 2024
En esta sección se va a ver una lista de posibles mini PC que se pueden comprar para Machine Learning a principios de 2024. Considera la lista como una propuesta no exhaustiva y revisa otras opciones similares que pueden existir.
Los mini PC son ordenadores de escritorio pequeños que usan componentes de portátil, por lo que no pueden ofrecer la potencia de una estación de trabajo. Aunque sí suelen ser suficientes para la mayoría de las tareas. De hecho, debido a que por tamaño suelen contar con una mejor refrigeración y están siempre conectados a la red, suelen ofrecer mejor rendimiento que un portátil con los mismos componentes. Aunque, en su contra, no es fácil encontrar equipos con GPU NVIDIA.
Existen mini PC por debajo de los 200 euros, pero no son adecuados para Machine Learning ya que suelen incluir procesadores relativamente antiguos. Los modelos más recomendados comienzan a partir de los 500€.
MINIS FORUM Mercury EM680
El Minis Forum Mercury EM680 es un mini PC que viene equipado con un procesador Ryzen 7 6800U, 32 Gb de RAM y un SSD de 1Tb, lo que garantiza tener un ordenador con potencia para la mayoría de las tareas. Además de incluir una licencia de Windows 11 Pro, con un precio en torno a los 500 euros.
Como ya se ha comentado, no cuenta con tarjeta gráfica dedicada, algo habitual en estos equipos.
MINIS FORUM Mini PC NPB7
Una opción con un procesador más moderno que el anterior es el NPB7. Un equipo basado en un procesador i7-13700H, con 32 Gb de RAM, SSD de 512 y Windows 11 Pro por un precio en torno a los 800 euros.
GEEKOM NUC Mini PC Mini IT13
Finalmente, si se desea un mini PC con uno de los procesadores más avanzados de Intel la opción sería GEEKOM NUC Mini PC Mini IT13 con un i9-13900H, 32 GB de RAM, 2Tb de disco duro y Windows 11 Pro por unos 1000 euros.
Estaciones de trabajo para Machine Learning en 2024
Las estaciones de trabajo son equipos altamente configurables, por lo que es complicado seleccionar un equipo en concreto. Algunas de las opciones más interesantes pueden ser los Lenovo ThinkStation, los HP Z4 G5 o los HP Z8 Fury G5. En el caso de Mac la opción sería los Mac Studio.
Conclusiones
Escoger ordenadores para Machine Learning no es una tarea fácil. Además de factores clave como el procesador, la CPU, la memoria y el almacenamiento se debe tener en cuenta si se necesita un portátil o no. Los portátiles son más flexibles, pero cuentan con una menor potencia. Por otro lado, los equipos de escritorio son más potentes a costa de perder la posibilidad de usarlos en movilidad como los portátiles.
En esta guía se ha intentado explicar cuáles son las ventajas y los inconvenientes de unos y otros para que cada uno pueda escoger el equipo más adecuado a sus necesidades.
Deja una respuesta