AIOps, o inteligencia artificial para operaciones de TI, puede ser justo lo que recetó el médico para los asediados talleres de TI. La aplicación de automatización avanzada a innumerables funciones de TI rutinarias liberará a los departamentos de TI para que se concentren en las cosas más grandes y significativas, como la transformación digital y la promoción de la integración y el despliegue continuos de software.
Sin embargo, hay un problema: AIOps requiere el tipo correcto de datos en el momento adecuado, pero gran parte de estos datos no están listos o necesitan una revisión de calidad. Si bien AIOps funciona en puntos de datos como registros y métricas del sistema, rendimiento histórico, datos de eventos, transmisión de eventos de operaciones en tiempo real, datos relacionados con incidentes y emisión de boletos, gran parte de estos datos pueden estar incompletos u ocultos en silos. En resumen, si los datos no están a la altura, AIOps puede fracasar o, peor aún, desviar las decisiones tecnológicas en la dirección equivocada.
Ingrese a la escena una metodología emergente que aborda específicamente esto, conocida como automatización de datos robóticos, o RDA, como se identifica en un artículo de Forbes por Shailesh Manjrekar. Mientras que su primo cercano, la automatización de procesos robóticos (RPA), automatiza los procesos comerciales, los flujos de trabajo de datos y las tareas de los usuarios, RDA se enfoca en automatizar las canalizaciones de datos con bots.
Incorporar RDA para admitir AIOps fue la esencia de un webcast reciente, en el que Valerie O’Connell, directora de investigación de Enterprise Management Associates (EMA), se unió a Bhaskar Krishnamsetty, director de productos de CloudFabrix, para defender este nuevo enfoque.
Si bien RDA tiene el potencial de aumentar la disponibilidad y la calidad de los datos disponibles para la IA en todas las formas de aplicaciones comerciales, los panelistas se centraron en su impacto en las propias operaciones de TI. Las formas de automatización que son compatibles con AIOps, como se encontró en una encuesta reciente de EMA, incluyen «flujo de trabajo en TI» es el caso de uso más citado (60%), seguido de «runbook o automatización de procesos de TI», adoptado dentro de aproximadamente la mitad de los escenarios AIOps (49%). Otro 43 % recurre a AIOps para recibir notificaciones basadas en alertas más inteligentes.
Los gerentes de TI encuestados ven el valor entregado como resultado de AIOps: el 62% calificó su valor como alto a muy alto, dice O’Connell. AIOps ayuda a mejorar la alineación de TI/negocio, la calidad de los servicios de TI y de negocios, y la experiencia del usuario final y del cliente.
Sin embargo, AIOps es difícil de implementar, continúa. «La mayoría de las personas lo encontraron desafiante. Los beneficios y las ganancias están casi garantizados, pero igualmente, casi sin excepción, será complejo y difícil». Los principales desafíos incluyen la precisión o accesibilidad de los datos, los conflictos dentro de TI, el miedo o la desconfianza hacia la IA y la disponibilidad de habilidades.
O’Connell se concentró en las dificultades de datos asociadas con AIOps. «Los datos serán un obstáculo o un atajo para obtener los beneficios de AIOps», dice. «Si puede manejar bien sus datos y sus problemas de datos, entonces ataca directamente la complejidad de la implementación de AIOps», explica.
El éxito de AIOps está inexorablemente ligado a «datos, datos, datos y qué tan bien puede manejar y procesar los datos», coincide Krishnamsetty. Uno de los problemas más desconcertantes es el acceso y la adquisición de datos, señala. «Quiere extraer datos de su entorno de AWS, o de sus herramientas de monitoreo de rendimiento de aplicaciones, o de su herramienta de análisis de registros. Pero todos estos datos están en diferentes formatos».
RDA aborda los desafíos de datos asociados con AIOps, continúa Krishnamsetty. «Si no tiene los datos adecuados, entra basura y sale basura. Sin embargo, por poderosos que sean sus algoritmos de aprendizaje automático, si la calidad de sus datos es deficiente, no obtendrá buenos conocimientos y análisis».
Por ejemplo, «si observa las alertas sin procesar que provienen de cualquiera de sus sistemas de administración o monitoreo, sabrá cuán dispersos son los datos», ilustra. «Un ser humano no puede tomar una decisión rápida al respecto a menos que se enriquezca automáticamente. Los datos están incompletos. Qué aplicación, qué infraestructura, etc.».
RDA también ayuda a abordar la brecha de habilidades, que escasea para garantizar la calidad de los datos que se alimentan a los sistemas de IA, continúa. «A menos que una plataforma proporcione capacidades de operaciones de datos automatizadas listas para usar, debe depender de costosos ingenieros de datos o científicos de datos». Las plataformas sin código y de código bajo que brindan capacidades de autoservicio a los desarrolladores ciudadanos son una tendencia importante para 2022.
La observabilidad de los datos a menudo depende de cuántas personas se pueden asignar para garantizar la calidad en la canalización de datos, ya sea mediante la contratación de más personal o la contratación de empresas de consultoría, señala. «Nuestros clientes a veces tienen que poner a muchos ingenieros de datos para realizar una gran cantidad de exploración de datos, preparación de datos y enriquecimiento de datos manualmente. Aumenta el costo total de propiedad, aumenta el tiempo de creación de valor. Ahí es donde se encuentran muchas implementaciones de AIOps. caída corta.»
Con RDA, los bots de software se pueden implementar dentro de las canalizaciones de datos para «simplificar y abstraer muchas operaciones de datos y operaciones de datos o de aprendizaje automático», dice. Esta es la clave para la automatización de datos. «Al usar bots de software dentro de las canalizaciones y los flujos de trabajo automatizados, puede lograr la calidad de los datos para AIOps».
