White paper ai_ops (1)
0 recomendaciones181 vistas
AIOps, que combina inteligencia artificial y operaciones, se refiere a herramientas que mejoran las funciones operativas mediante el uso de big data y aprendizaje automático. Este enfoque permite a los ingenieros optimizar el rendimiento de las aplicaciones y resolver problemas complejos más eficientemente, acortando los ciclos de desarrollo y mejorando la monitorización. AIOps, acuñado por Gartner en 2017, enfatiza la importancia de integrar múltiples fuentes de datos para facilitar la automatización y mejorar la toma de decisiones en tiempo real.
White paper ai_ops (1)
- 1. Qué es AIOps y qué trascendencia tiene AIOps es el equivalente a Inteligencia artificial y Operaciones, herramientas para mejorar directa e indirectamente las funciones de Operaciones.
- 2. AIOps (Inteligencia Artificial y operaciones) es un concepto relativamente reciente, pero que está mostrando buena tracción en el mundo tecnológico. Con cada vez mayores volúmenes de datos que recoger, gestionar y analizar, se hace necesario contar con herramientas a la altura de las circunstancias. No podemos restringir la aplicación de AIOps al terreno de los datos, sino que también pensamos en el tiempo y esfuerzo que puede ahorrar a los equipos cuando se trata de identificar y resolver problemas cada vez más complejos. Algunas de las aplicaciones más conocidas y populares de la Inteligencia Artificial, en las cuales es bien visible lo decisivo del aprendizaje automático en cuanto a las prestaciones de dichas aplicaciones, son las que permitirán al coche autónomo circular sin conductor, las que permiten realizar diagnósticos mejorados o las que logran automatizar explotaciones agrícolas. Los chatbots son, sin duda, unos de los avances más significativos con los que el gran público entra en contacto con la inteligencia artificial. avances más significativos con los que el gran público entra en contacto con la Mediante la aplicación de análisis estadísticos, heurísticos y análisis basados en IA y ML, los ingenieros de sistemas pueden saber, de manera proactiva, cómo optimizar el rendimiento de las aplicaciones e identificar rápidamente la causa raíz de los problemas. Además, AIOps podría tener beneficios para el desarrollador, ya que podría hacer posible modelar y probar los requisitos de rendimiento de nuevas aplicaciones y características antes de la producción. Esto acortaría los ciclos de desarrollo y reduciría, por tanto, el time-to-market. AIOps es un concepto acuñado por Gartner en 2017, cuya definición literal es la siguiente: Las plataformas AIOps utilizan Big Data, Aprendizaje Automático y otras tecnologías analíticas avanzadas para mejorar directa e indirectamente las funciones de las operaciones de TI (monitorización, automatización y CAU) con información proactiva, personal y dinámica. Las plataformas AIOps permiten el uso concurrente de múltiples fuentes de datos, métodos de recolección de datos, tecnologías analíticas (en tiempo real y profundas) y tecnologías de presentación.
- 3. Consolidación de datos Los requisitos de conectividad a Internet de los servicios y dispositivos, cada vez más inteligentes, son mucho más exigentes en la actualidad. Esto implica, además, que los datos que recoge una organización cualquiera proceden cada vez de más cantidad de fuentes diferentes. Si nos vamos al ejemplo manido del chatbot, este no solo recibe sus respuestas de un sistema centralizado, sino que también envía análisis de uso que sirve a los equipos de desarrollo para mejorar sus prestaciones. Las cargas de datos son cada vez más grandes, cada vez están más distribuidas en los sistemas y son más diversas en cuanto a tipo y forma, y por eso el primer paso, antes de cualquier otro, es identificar qué datos son prioritarios y crear una plataforma que pueda recopilar, analizar y almacenar esos datos, independientemente de la fuente. Al hacer esto en un lago de datos se pueden poner los cimientos para una buena integración de AIOps. Anticiparse a la diversidad de fuentes de datos Como ya hemos dicho, cada vez existen más entornos en los que se trabaja con Big Data. Esto no solo implica una enorme cantidad de ellos, sino la ya mencionada diversidad de fuentes. Si en el apartado anterior hablábamos de identificar los datos prioritarios para AIOps y los requisitos específicos de cada organización Para que la integración de AIOps en una organización sea un éxito, es importante reconocer los requisitos clave de esta. Estas son algunas consideraciones previas. almacenarlos en un Data Lake, ahora nos tenemos que preocupar por identificar las correlaciones entre los datos de diferentes «streams». La posibilidad de analizar los diversos datos de entrada a un sistema (datos estructurados y no estructurados como texto, voz, datos estadísticos…) en tiempo real tiene un valor incalculable, así que vale la pena identificar esas correlaciones entre datos para alimentar al sistema AIOps. Al hacerlo, será más sencillo predecir, identificar y desarrollar soluciones recomendadas prescriptivas a problemas en tiempo real a través de la automatización. Simplificar la supervisión Es frecuente que cada sistema tenga sus propias herramientas de monitorización. Por tanto, cuando comenzamos a agregar sistemas, estamos multiplicando la complejidad de estas tareas de monitorización a la vez que perdemos eficacia (tiempo). Por tanto, es necesario hacer un esfuerzo por simplificar esta parte analítica del proceso reuniendo diferentes actividades de monitorización en una única «ventana», de manera que mejore la productividad a medida que la introducción de AIOps automatiza parte de las operaciones.