Cisco y Canonical han publicado un Cisco Validated Design (CVD), una guía probada para montar infraestructura de IA en ubicaciones edge sin tener que recomponer toda la pila a mano. La idea es sencilla: combinar el hardware Cisco Unified Edge con el software de Ubuntu y entregar una receta que ya viene comprobada de fábrica, de modo que un equipo no tenga que pelearse con dependencias, versiones y certificaciones por su cuenta.
Qué hay en la base de software
El cimiento es Ubuntu Server 24.04.3 LTS, con Ubuntu Pro encima para cubrir hasta 15 años de mantenimiento de seguridad y el backport de parches críticos. Eso es lo que diferencia un despliegue edge serio de un experimento: las máquinas que están repartidas por cientos de tiendas, fábricas o sucursales no se actualizan cada semana, así que necesitan una ventana de soporte larga y parches que no obliguen a cambiar de versión mayor.
Sobre esa base, el CVD apila el resto:
- Canonical Kubernetes para la orquestación cloud-native.
- LXD para contenedores de sistema y VMs ligeras.
- MicroCloud, que junta LXD, MicroCeph y MicroOVN en una nube privada pequeña y autocontenida.
- El Data Science Stack (DSS) para montar el entorno de desarrollo de modelos.
- Charmed Operators que automatizan la operación de Kubeflow y MLflow, las dos piezas de MLOps que normalmente cuesta más mantener al día.
El hardware de Cisco
El chasis es un Cisco UCS XE9305, de tres unidades de rack y poca profundidad, pensado para sitios donde no hay un centro de datos detrás. Admite hasta cinco nodos Cisco UCS XE130c, cada uno con un SoC Intel Xeon de 6ª generación de hasta 32 núcleos y hasta 768 GB de DDR5. Para la parte de inferencia, el diseño usa GPUs NVIDIA L4 Tensor Core, orientadas a eficiencia energética más que a entrenar modelos enormes.
La gestión va por Cisco Intersight, la plataforma cloud de Cisco, y el aprovisionamiento es Zero-Touch: desde el firmware hasta la capa de Kubernetes se despliega con blueprints preparados, sin que alguien tenga que ir físicamente a configurar cada nodo.
Por qué importa
El post identifica cinco cuellos de botella que frenan la IA fuera del centro de datos: falta de GPUs y cómputo denso, entornos demasiado rígidos, escalar mal cuando tienes miles de sitios dispersos, el coste en CapEx y OpEx, y la fragmentación del software (versiones que se quedan atrás, CVEs sin parchear, dependencia de un único proveedor). El CVD ataca todo eso con una combinación validada en lugar de dejarte armar el puzzle.
Si gestionas IA repartida por muchas ubicaciones, lo interesante aquí no es ninguna pieza suelta sino que alguien ya ha hecho el trabajo de comprobar que encajan. Eso recorta el tiempo entre “tenemos hardware” y “tenemos modelos sirviendo en producción”, que suele ser donde se pierde la mayoría del esfuerzo. Y al apoyarse en Ubuntu Pro, el ciclo de seguridad acompaña a esas máquinas durante años, que es justo lo que hace falta cuando no puedes tocarlas a menudo.
Fuente
Artículo original de Canonical, publicado el 11 de junio de 2026: AI at the edge: simplifying infrastructure with Cisco and Canonical.