Escrito por Joe McKendrick,
DevOps, que fomenta una mayor colaboración y automatización en la entrega de software, es solo el comienzo de una nueva fase de gestión de tecnología. Ahora, estamos viendo muchos productos derivados: DataOps, Machine Learning Operations (MLOps), ModelOps, y otras operaciones que buscan agregar velocidad, confiabilidad y colaboración a la entrega de software y datos a través de los canales empresariales. Incluso hay un Manifiesto DataOps, que tiene un parecido sorprendente con el Manifiesto Agile elaborado en 2001.
Foto: Joe McKendrick
Sin embargo, nada de esto sucederá de la noche a la mañana. O incluso dentro de unos meses. Al igual que con cualquier revisión tecnológica prometedora, es esencial repensar los procesos y la cultura.
¿Dónde deja eso a los administradores y profesionales de TI? ¿Cómo deberían proceder con todas estas operaciones que prometen una prestación de servicios más fluida y receptiva? «Un elemento clave de la preparación es hacer las preguntas importantes sobre los procesos existentes, tanto formales como informales», dice Alice McClure, directora de inteligencia artificial y análisis de SAS. «Esto ayuda a identificar dónde enfocarse primero, qué debe actualizarse y dónde existen cuellos de botella».
DataOps, por ejemplo, «brinda un enfoque ágil para el acceso, la calidad, la preparación y el control de los datos: todo el ciclo de vida de los datos, desde la preparación hasta la generación de informes», dice McClure. «Permite una mayor confiabilidad, velocidad y colaboración en sus esfuerzos para hacer operativos los datos y los flujos de trabajo analíticos. ModelOps se está convirtiendo en una metodología imprescindible para implementar análisis predictivos escalables. Se trata de poner el análisis en producción: mover modelos iterativamente a través del ciclo de vida analítico rápidamente al tiempo que garantiza la calidad y permite el seguimiento y la gobernanza continuos de los modelos a lo largo del tiempo».
Se trata de unir la automatización y la arquitectura, aconseja Amar Arsikere, CTO y cofundador de InfoWorks. «Implementar un sistema que automatice la operación y orquestación de datos, metadatos y cargas de trabajo, en lugar de operaciones manuales codificadas a mano que requieren tiempo, dinero y recursos especializados».
Los enfoques xOps se están convirtiendo en una necesidad a medida que las aplicaciones manuales adversas, como la inteligencia artificial y el aprendizaje automático, pasan a primer plano. «Abordar estos desafíos a menudo es una idea de último momento y finalmente recae en los equipos de DevOps y TI», dice Rahul Pradhan, vicepresidente de productos y estrategia para plataformas en la nube de Couchbase. Las prioridades emergentes, como la integración continua y la entrega continua, la automatización y el monitoreo en tiempo real, están ejerciendo presión sobre estos equipos, agrega. «No solo se les pide a estos equipos que hagan más, sino que también se les pide que sean más amplios y completos. Esto resalta la necesidad de eliminar tareas operativas de bajo valor, como la administración de infraestructura y bases de datos».
La mayoría de las operaciones «tienen un gran número de secuencias de comandos o están automatizadas, pero el verdadero éxito se logra cuando todo el proceso se automatiza de principio a fin», coincide Patrick McFadin, vicepresidente de relaciones con desarrolladores de DataStax. «Esto incluye las operaciones del día dos, como el escalado. xOps puede seguir un camino similar al que toman los ingenieros de confiabilidad del sitio para la capacitación y la preparación, ya que se ocupan de los mismos problemas en las aplicaciones nativas de la nube».
Contrariamente a la creencia popular, tener un esfuerzo xOps exitoso no significa que las empresas puedan reducir sus niveles de personal de TI; en todo caso, significa que deben intensificar sus juegos de reclutamiento y retención. La escasez de talento de TI «puede obstaculizar significativamente las iniciativas xOps», dice Pradhan. «Dirigir más esfuerzos hacia la retención de desarrolladores. Al tomar medidas proactivas para mantener a los desarrolladores comprometidos y satisfechos, se puede evitar el agotamiento de la transformación digital».
Hay otro elemento clave en el éxito de xOps: tiempo para implementar y superar culturas corporativas obsoletas. Una nueva metodología ModelOps o DataOps «no se puede implementar y construir en un día», señala Pradhan. «Se necesita tiempo para transformar los procesos. Involucrar a los equipos correctos al comienzo de un proyecto es fundamental y debe incluir la elaboración de resultados cuantificables y una comprensión clara de los roles».
El desafío es «cambiar la mentalidad de los equipos para que se organicen en torno a los objetivos y resultados de la transformación empresarial», dice Arsikere. «Repensar la implementación mediante la automatización de procesos de extremo a extremo en lugar de confiar en la codificación manual manual o en soluciones puntuales dispares».
Ahí es donde las metodologías de Ops «pueden ayudar a simplificar las cosas, para impulsar el valor comercial, al tiempo que garantizan la mejor experiencia del cliente», insta Pradhan. Él insta a un enfoque componible, similar a una estrategia de bloques de construcción de Lego, «para ayudar a aliviar la tensión que puede ocurrir a medida que se construyen las capacidades xOps y las estrategias de transformación digital. Los mismos bloques y la misma estrategia se pueden usar una y otra vez».
Además, es hora de traer el desarrollo y la implementación de la infraestructura de aplicaciones y datos bajo un mismo techo, dice McFadin. «No se aferre a viejas metodologías», dice. «A menudo veo empresas que separan la infraestructura de aplicaciones y datos con diferentes métodos y estándares. Comprometerse con una ruta única para el código y los datos puede abrir una gran cantidad de capacidades. Eso significa encontrar formas de hacer que la parte de datos de la pila de aplicaciones sea nativa de la nube. «
Adoptar datos nativos de la nube «separa a los equipos que se mueven rápido de los que no», dice McFadin. «Eso significa utilizar todo lo disponible en el ecosistema de Kubernetes para su beneficio. Desde CI/CD hasta la observabilidad, el objetivo es crear sistemas repetibles y confiables. DevOps ha tenido una ventaja temprana con proyectos que abordan diferentes problemas. MLOps y DataOps ahora son rápidamente ponerse al día con proyectos nuevos y emergentes».
