Portátiles para Machine Learning en 2023

Hace dos años escribí una comparativa de equipos con los que era posible realizar trabajos de Machine Learning de una forma eficaz. Una entrada que recibió muchas visitas y necesita ser actualizada. En esta ocasión realizaré un análisis similar, comparando algunas de las mejores opciones portátiles para Machine Learning que tenemos disponibles en 2023.

¿Qué esperar de los portátiles para Machine Learning?

Entrenar modelos de Machine Learning son tareas que requieren un alto esfuerzo computacional, por lo que es recomendable contar con un buen procesador (CPU) y una memoria rápida. Además, para el entrenamiento de modelos de Deep Learning, es aconsejable contar con un procesador gráfico (GPU) competente y almacenamiento rápido. Pero, debido a los requisitos energéticos y de disipación de calor de los CPU y GPU más rápidas, los procesadores más potentes se emplean para la construcción de estaciones de trabajo y no portátiles. Un portátil construido con procesadores diseñado para una estación de trabajo tendría una autonomía limitada y problemas de disipación térmica. Por eso los fabricantes cuentan con líneas de procesadores diferenciadas para portátiles, estaciones de trabajo y servidores.

En base a esto se podría pensar que no tiene sentido usar equipos portátiles para entrenar modelos de Machine Learning. Algo que es cierto para los trabajos más avanzados, pero no siempre se entrena este tipo de modelos. La principal ventaja de los portátiles es que se pueden mover fácilmente, por lo que es la opción ideal para estudiantes y consultores. Además, gracias a soluciones de escritorio remoto, se pueden usar para acceder a las estaciones de trabajo donde se entrenan los modelos más avanzados.

En resumen, salvo que necesitemos entrenar un modelo complejo de Deep Learning, los portátiles pueden ser una solución de compromiso para trabajar en Machine Learning.

¿Mac o PC?

La primera 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 opción personal, 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. Ofreciendo en todas las opciones rendimientos similares.

Aunque existe una excepción en el caso de que se necesite trabajar con CUDA, ya que actualmente no existe una solución para usar esta librería en macOS con procesador Apple, por lo que en este caso la opción debería ser un PC.

Principales características

Existen cinco características a las que es necesario prestar atención antes de comprar un equipo portátil: CPU, GPU, RAM, almacenamiento y tamaño. Veamos en más detalle cada una de ellas.

Procesador (CPU)

La CPU es el cerebro del equipo y generalmente la pieza más importante para determinar el rendimiento. A la hora de entrenar un modelo de Machine Learning la CPU se pone al límite de sus capacidades, por lo que es necesario que sea rápida. Además, también deberá ser energéticamente eficiente para evitar problemas de estrangulación térmica (Thermal Throttling) y alargar la vida de la batería. La estrangulación térmica es un problema de rendimiento que aparece cuando no es posible disipar el calor generado por un procesador. Cuando este problema aparece, para evitar daños debido al exceso de temperatura, el procesador baja su velocidad. Así que un procesador más eficiente no solo ofrecerá una mayor duración de la batería, sino que podrá mantener el redimieron pico por más tiempo. Como es de esperar las CPU más modernas suelen ser más eficientes energéticamente.

Otro punto importante a la hora de escoger un procesador es el número de núcleos. Incluso por delante de la velocidad del reloj. La mayoría de las tareas de Machine Learning se pueden ejecutar en paralelo, por lo que a mayor número de procesadores el entrenamiento de los modelos terminará antes. Una de las ventajas de los procesadores Intel o AMD es que estos pueden ejecutar dos hilos en cada uno de los procesadores. Lo que aumenta la capacidad de paralización.

En base a esto es necesario fijarse en la generación de los procesadores más que en el nombre comercial, especialmente en los equipos de Intel y AMD. Un i7 de última generación generalmente será mejor que un i9 de hace tres o cuatro años, lo mismo sucede con los Ryzen. Por eso se debería considerar únicamente procesadores de los dos últimos años, la 12ª (12xxx) o 11ª (11xxx) generación de Intel o los AMD de 5ª (5xxx).

Procesador gráfico (GPU)

Tensor Flow es la principal librería para la creación de modelo de Deep Learning, la cual está pensada para trabajar sobre procesadores gráficos (GPU). Por lo que sí se piensa trabajar en Deep Learning es recomendable que el ordenador cuente con una GPU potente y compatible con CUDA. Algo que lo limita a las GPU de NVIDIA.

Actualmente es posible ejecutar Tensor Flow sobre gráficas AMD y procesadores Apple (M1 o M2), aunque la instalación y configuración es algo más complejo.

Memoria RAM

Otro punto importante a la hora de entrenar los modelos es la memoria RAM disponible. Contar con una cantidad mayor de memoria permite trabajar una mayor cantidad de datos. Aunque, aumentar la memoria por encima de lo necesario no reducirá el tiempo de ejecución de los programas. Actualmente lo recomendable es disponer de un mínimo de 8 GB, siendo recomendable 16 GB.

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 a 4800 MHz.

Almacenamiento

En el caso del almacenamiento lo más importante es huir de discos duros mecánicos (HDD) y comprar únicamente modelos de estado sólido (SSD). Los SSD son mucho más rápidos que los HDD.
Lo que se nota en una mejora de rendimiento del sistema operativo y la velocidad de carga de los programas y datos. Dentro de los SSD es aconsejable decantarse por modelos NVMe, ya que estos pueden ser hasta 6 veces más rápidos que los primeros.

Para seleccionar la cantidad de almacenamiento es importante tener en cuenta todos los datos que se desean almacenar en el equipo. Especialmente en aquellos equipos que no se pueden actualizar. Si solamente se va a usar para escribir código y ejecutar modelos con 256 GB será suficiente. Pero si se va a usar para almacenar bases de datos, fotos y videos lo aconsejable será subir el tamaño del almacenamiento a 512 GB o 1 TB.

Tamaño

El tamaño del portátil viene determinado principalmente por el tamaño de la pantalla, aunque no es el único factor que lo determina. A la hora de seleccionar un equipo será necesario un compromiso entre portabilidad, peso, capacidad de disipación térmica y área de trabajo. Los equipos grandes (15 o 16 pulgadas) ofrecen una mayor área de trabajo y suelen tener una mayor capacidad de disipación térmica y batería, lo que se obtiene a costa de un mayor peso y tamaño. Por otro lado, los equipos de medios (13 o 14 pulgadas) son más fáciles de transportar a costa de una menor área de trabajo y batería. Así, seleccionar un equipo u otro es una opción personal que dependerá de si se le da prioridad al tamaño de la pantalla, duración de la batería o potabilidad.

Finalmente, también es importante dedicar un poco de tiempo a la pantalla, siendo aconsejable que la resolución de esta sea por lo menos Full HD (1080p).

Mac portátiles para Machine Learning en 2023

Recomendar un Mac suele ser más fácil que un PC debido a que existen pocos modelos. A comienzos de 2023, a falta de que salgan nuevos modelos, las opciones ideales serían el MacBook Pro de 14 pulgadas o el MacBook Pro de 16 pulgadas. Los procesadores M1 Pro tienen más núcleos de CPU y GPU que el M2, por lo que son más adecuados para tareas como el entrenamiento de modelos de Machine Learning.

En el caso de que nuestro presupuesto sea limitado, la opción ideal sería el MacBook Air M2. Ofreciendo un buen rendimiento con un precio más ajustado que los modelos Pro. El equipo que no recomendaría sería el MacBook Air M2, es un modelo que por un poco más se puede acceder a los M1 Pro con una pantalla mucho mejor.

PC portátiles para Machine Learning en 2023

Recomendar un PC suele ser algo más complicado que un Mac, existen muchos más fabricantes que hacen modelos similares. A la hora de seleccionar un equipo u otro es importante tener en cuenta la calidad de los componentes y construcción. Un ordenador que se use para Machine Learning, o en general para un uso intensivo, va a generar calor y un mal diseño hará que el rendimiento caiga. Además de afectar a la durabilidad del equipo. Algunas opciones que se pueden recomendar serían las siguientes.

El IdeaPad 5 es un modelo básico de Lenovo que se puede encontrar en diferentes configuraciones por debajo de los 1000€. Se puede equipar tanto con i5 o i7 de 11ª generación o Ryzen 5 de 5ª. Una de sus ventajas es que cuenta con una pantalla de 14 pulgadas con 2,2K y 300 nits, bastante mejor que otros equipos del mismo precio que solo ofrecen pantallas de Full HD.

Por defecto viene equipado con 8 Gb de RAM y un SSD de 512 Gb. Siendo aconsejable aumentar la memoria a 16 Gb.

Modelo básico de 16 pulgadas: HP Victus

Si queremos un poco más de pantalla se puede comprar el HP Victus que es un modelo de portátil bastante interesante. Por poco más de 1000€ tenemos un equipo con i5 o i7 de 12ª generación o, en el caso de preferir AMD, Ryzen 5 o Ryzen 7 de 5ª generación. La configuración por defecto es bastante buena, 16 Gb de RAM DDR5-4800 Mhz, un disco SSD NVMe de 512 Gb y cuenta con una tarjeta gráfica de GeForce NVIDIA GeForce RTX 3050 Ti. Se puede comprar con o sin sistema operativo, por lo que es ideal para aquellos que quieran trabajar con Linux ya que no tiene por qué pagar por una licencia de Windows.

Además, este equipo cuenta con una pantalla de 144 Hz y cuenta con una resolución de 1920 por 1080. Quizás el único punto negativo de este modelo es que la pantalla no sea 2,2K

Una alternativa al HP Victus es el HP OMEN, un equipo muy similar que por un poco más de precio ofrece una Nvidia GeForce RTX 3060.

Modelo de gama media de 14 pulgadas: LG gram

Los LG gram son unos buenos equipos, muy portátiles, y con unos buenos acabados. Aunque debido a su portabilidad no pueden suelen incluir GPU dedicadas. Por encima de los 1500€ se puede conseguir un modelo de 14 pulgadas con procesadores i7 de 12ª generación, 16 Gb de RAM y un disco duro SSD NVMe de 512 GB.

Modelo de gama media de 17 pulgadas: LG Ultra

Si lo que queremos es una pantalla grande, una buena GPU, en un equipo relativamente portátil una de las mejores opciones es el LG Ultra. Por poco más de 1700€ se puede configurar un i7 de 12ª generación, 32 Gb de RAM, un disco duro SSD NVMe de 1 TB y una
NVIDIA GeForce RTX 3050. Una opción bastante interesante si tenemos en cuenta que solamente pesa 1,95 Kg.

La pantalla de 17 pulgadas con una resolución de 2560 x 1600 ofrece espacio de sobra para trabajar, aunque se debe tener en cuenta que el tamaño del equipo es bastante grande.

Si queremos toda la potencia de una estación de trabajo en un portátil una opción puede ser los ThinkPad P1. Equipos que se pueden configurar con procesadores i7 o i9 de 12ª generación, memoria DDR5 a 4800 MHz, disco duro SSD y diferentes modelos de tarjeta gráfica NVIDIA RTX. El único problema de estos equipos es que su precio comienza en torno a los 2800€.

Conclusiones

Posiblemente al llegar al final de la entrada aún existan bastantes dudas acerca de qué equipo comprar. ¿Cuáles son los ordenadores portátiles para Machine Learning más adecuados para mi? Por lo que intentaré resumir un poco las diferentes opciones que tenemos.

Si lo que se desea es un Mac la mejor opción son los MacBook Pro de 14 o 16 pulgadas, aunque para presupuesto ajustados deberíamos fijarnos en el MacBook Air M2. El que se debe descamar es el MacBook Pro M2 de 13 pulgadas.

Por otro lado, los que prefieren un PC lo tienen algo más complicado, aunque no tanto. Lo primero sería fijarse en el tamaño del equipo que se desea, teniendo en cuenta que en 14 pulgadas generalmente no se van a encontrar equipos con GPU dedicadas. Si la opción es un modelo en torno a las 14 pulgadas se puede intentar configurar un Lenovo IdeaPad 5, o, en el caso de disponer de un presupuesto mayor se puede seleccionar un LG gram.

Finalmente, los que quieren un equipo en torno a las 16 pulgadas pueden configurar un HP Victus con las diferentes opciones que ofrece. Por otro lado, si contamos con un presupuesto elevado se puede comprar un LG Ultra.

Imagen de Riekus en Pixabay