0

Cómo revolucionará la inteligencia artificial a DevOps

artificial-intelligence-circuit-boardLa inteligencia artificial, de ahora en adelante AI (por sus siglas en inglés), está en todas partes hoy -o al menos así parece. La tecnología es muy prometedora porque permitirá todo tipo de automatización de procesos de negocios que aún son en gran parte manuales, y entregará más potencia al análisis de datos.

Un área que AI ya está afectando, y en la que está destinada a tener un impacto aún mayor, es DevOps. Los expertos dicen que la inteligencia artificial y el aprendizaje automático, de ahora en adelante ML (por sus siglas en inglés), tienen el potencial de mejorar DevOps, incluso cuando muchas organizaciones están empezando a adoptar el modelo para obtener eficiencias en el desarrollo de aplicaciones y en otras áreas de su negocio.

“La inteligencia artificial y el aprendizaje automático tienen una relación integral” con DevOps, señala Spandan Mahapatra, jefe de negocios del segmento de software de alta tecnología y de la unidad de soluciones comerciales de Tata Consultancy Services.

“Hay muchas empresas que ya están impulsando la transformación digital con diferentes grados de madurez en sus procesos de DevOps, lo que les permite impulsar realmente el éxito basado en los resultados”, añade Mahapatra. “AI/ML está proporcionando soluciones para optimizar los procesos de DevOps”.

Todavía es pronto para que la mayoría de los equipos de DevOps aprovechen AI, “pero vemos que varios clientes comienzan a considerar la oportunidad que AI y el análisis de datos pueden proporcionarles”, anota Stephen Elliot, vicepresidente de DevOps, gestión multi-cloud, ITSM y cálculo definido por software en International Data Corp (IDC).

Uno de los usos más notables de AI en DevOps es para comprender de dónde surgen los problemas en la integración continua (CI, por sus siglas en inglés) o el desarrollo continuo (CD, por sus siglas en inglés), para identificar y resolver problemas, o para manejar mejor los datos recopilados de los clientes, señala Elliot.

“Vemos una gran cantidad de tracción para el análisis en equipos de [infraestructura y operaciones], ya que muchos han implementado servicios de rendimiento de aplicaciones o de análisis de transmisión para identificar y resolver problemas”, señala Elliot. “Los equipos de DevOps deberían considerar el uso de análisis, ya que puede impactar en la eficiencia del proceso [y], en la identificación y solución de problemas, mientras mejora la experiencia del cliente y permite resultados empresariales más efectivos y eficientes”.

Adoptar la tendencia
Una empresa que está adoptando la combinación de AI y DevOps es Power Home Remodeling, que proporciona productos de remodelación exterior para el hogar. Esta ha creado su propia plataforma de tecnología patentada conocida como NITRO, que engloba todo, desde la plataforma de gestión de relaciones con los clientes (CRM, por sus siglas en inglés) hasta su propia red social interna.

“Debido a que en realidad somos una tienda de desarrollo, tenemos un verdadero equipo de DevOps”, anota Tim Wenhold, director de innovación. Power está construyendo su propia infraestructura de inteligencia artificial a través de NITRO con el objetivo de tomar el tesoro escondido de datos a su disposición y, permitir que AI y ML lo ayuden a desarrollar un mejor servicio al cliente, crear más eficiencias y aumentar las capacidades del personal.

El equipo de DevOps está “descubriendo cómo dar vida a la infraestructura de AI”, señala Wenhold. “Esencialmente, nuestro equipo de DevOps tiene que apoyar cualquiera de los entornos de desarrollo que sean nuestras prioridades. Entonces, en nuestro mundo, el impacto más grande que AI y ML tienen hoy en día se relaciona con el desarrollo de nuevas habilidades por parte de los desarrolladores”.

AI también está ayudando a DevOps a pasar a un “estado predictivo”, indica Wenhold. “Por ejemplo, observar nuestros procesos de integración continua nos dice dónde hacer cambios para mejorar esa interconexión de CI”, señala.

Con la seguridad, por ejemplo, es difícil identificar rápidamente los patrones de alarma. “Hoy en día nos lleva mucho tiempo revisar los diversos registros e informes relacionados con el monitoreo de la seguridad”, añade Wenhold. “Cuando aplicamos el aprendizaje automático para identificar amenazas, seremos capaces de marcar anomalías mil veces más rápido. La inteligencia artificial/aprendizaje automático ayudará a los equipos de DevOps a ser más proactivos que reactivos, ya que nos proporciona la capacidad de predecir mejor -en todos nuestros entornos”.

Así como Business Intelligence (BI) y Big Data están diseñados para proporcionar análisis en lugar de simples tableros/paneles de instrumentos/tableros de mandos/tableros de control e informes simples, “AI ayudará a modernizar el modelado predictivo en beneficio de DevOps”, anota Wenhold.

A medida que la inteligencia artificial se vuelve más poderosa, el impacto en DevOps aumentará. “Llegaremos a un punto en que el AI/ML no solo ayudará a detectar rápidamente las anomalías, sino que nos ayudarán a resolver problemas antes de que sepamos que existen”, indica Wenhold.

La compañía tiene registros con millones de anotaciones. “Actualmente, actuamos como detectives: revisamos los registros, encontramos la anomalía y realizamos ajustes”, comenta Wenhold. “La inteligencia artificial cambiará este proceso encontrando la anomalía por nosotros y luego nos dirá qué puede pasar, y presentará opciones para hacer un cambio y abordar la amenaza. En el futuro, AI, después del hecho, nos hablará acerca de los ajustes que se hicieron para corregir una anomalía. Eso es algo emocionante”.

La empresa de atención médica Molina Healthcare también está entusiasmada con la tendencia AI/DevOps. “Ya estamos viendo de dónde vendrá el valor y los beneficios”, señala Rick Hopfer, CIO de Molina Healthcare, que comenzó a aprovechar la inteligencia artificial en el área de DevOps en el año 2016.

“El problema que estábamos tratando de resolver era cómo obtener información de las montañas de datos que se encuentran en todos los registros transaccionales que nuestros sistemas generan a diario”, anota Hopfer. “Tener un sistema para recopilar información no era suficiente, necesitábamos centrarnos en el problema real frente a todo el ruido de fondo”.

Para resolver eso, la empresa necesitaba, en primer lugar, racionalizar todas las herramientas existentes que estaba usando para monitorear aplicaciones e infraestructura; en segundo lugar, necesitaba agregar los datos, lo que significó llevar la telemetría de varias herramientas a una plataforma central, correlacionar los datos y usar ML para reconocer el problema real; y finalmente, analizar las tendencias y el análisis predictivo.

“Esto significó construir las vistas correctas para visualizar los datos e impulsar la eficiencia y administrar proactivamente la tecnología”, señala Hopfer. “Para lograr esto, usamos una colección de soluciones de proveedores. Los resultados fueron impresionantes. Ser capaz de identificar problemas casi en tiempo real mejoró significativamente la cantidad de tiempo para resolverlos”.

El futuro es ahora
Tomar medidas con base en capacidades analíticas, dentro del contexto de un determinado lente, como CI/CD, experiencia del cliente, gestión de problemas, etc., es el futuro, señala Elliot. “La realidad es que la automatización y el análisis son como la mantequilla de maní y la jalea -mucho mejor juntas”, añade. “Todo esto se reducirá a habilitar la velocidad en la tecnología y en los procesos de negocios, y tomar medidas en el contexto de situaciones empresariales y tecnológicas únicas y específicas”.

Sin embargo, las empresas de ninguna manera deberían tratar a la inteligencia artificial y al aprendizaje automático como tecnologías del futuro, cuando pueden tener un impacto en DevOps hoy.

“DevOps puede aumentar la velocidad de las nuevas aplicaciones, pero en un mundo de transformación post-digital, ésta debe combinarse con los requisitos de datos de AI”, afirma Andy Grimes, tecnólogo principal del proveedor de gestión de infraestructuras y almacenamiento de datos NetApp. “La combinación de los métodos de DevOps y los requisitos de datos modernos ha creado un nuevo paradigma de ‘DataOps'”.

Dado que las nuevas aplicaciones de AI requieren agregación y preparación de datos a velocidades y escalas exponencialmente más altas, “en este nuevo paradigma de DataOps, los desarrolladores están más estrechamente alineados con el equipo de TI [y] deben entender dónde es que las aplicaciones de inteligencia artificial deben vivir en un entorno híbrido”, anota Grimes. “El DataOps moderno también abarcará la recopilación de datos de borde, la agregación central de datos in situ, la preparación de datos aumentada con conjuntos de herramientas en la nube, y la arquitectura necesaria para cambiar con frecuencia en función de la innovación de la herramienta y la evolución continua del negocio”.

A medida que la evolución de DataOps continúa, añade Grimes, los datos permanecerán siendo una constante junto con la necesidad de “alimentar las herramientas” de inteligencia artificial y plataformas de análisis, mientras que las aplicaciones y la infraestructura se desarrollarán constantemente con innovación continua y diseño iterativo para soportar velocidades y cantidades masivas.

La inteligencia artificial ofrece tres capacidades distintas -autoaprendizaje, predicción y automatización- que pueden mejorar las prácticas actuales de DevOps, como CI y CD, señala Soumendra Mohanty, vicepresidente ejecutivo y director de análisis de datos de Larsen & Tourbo Infotech, proveedor global de soluciones de TI que ha guiado a una serie de clientes empresariales a través de esfuerzos de transformación digital, incluida la implementación de la inteligencia artificial.

Si bien DevOps ha brindado agilidad y un tiempo de comercialización más rápido para la entrega de software, una parte más grande del proceso de entrega todavía no tiene componentes críticos, como la innovación continua y un circuito de retroalimentación continuo.

“La inteligencia artificial y el aprendizaje automático alimentan los datos con capacidades de autoaprendizaje”, indica Mohanty. “Esta es precisamente la razón por la cual las técnicas de AI y ML son extremadamente beneficiosas si se integran en las tareas y procesos de DevOps”.

Por ejemplo, cuando se desarrolla un código de software, AI/ML puede controlar la medida en que se está abordando la experiencia del usuario final, simulando varios escenarios posibles. “Los requisitos ya no están congelados y el usuario final ya no es un jugador pasivo”, indica Mohanty. “AI/ML desempeña un papel fundamental en la eliminación del desarrollo de software anterior basado en reglas, y aporta una gran cantidad de flexibilidad mediante el aprendizaje a partir de los datos”.

AI y ML pueden ayudar a controlar el rendimiento de la producción y establecer vínculos con problemas pasados, qué tipo de soluciones se proporcionaron y en qué medida fueron efectivas. Ciertos problemas pueden predecirse por adelantado y corregidos de forma automática. “Estas intervenciones de AI/ML en DevOps no solo harán que el desarrollo y la implementación del código y la producción sean mucho más predecibles, sino que también proporcionarán un proceso continuo de innovación”, indica Mohanty.

Los equipos de DevOps se centran en el ciclo de vida del desarrollo, teniendo en cuenta los requisitos cambiantes. “Sin embargo, un aspecto importante para volverse predictivo sobre la calidad del código y la administración de datos es algo en lo que no se han enfocado”, señala Mohanty. “Con AI/ML incrustado en el proceso de DevOps, los equipos de éste pueden darse una idea de cómo funciona el código, si se están abordando todos los escenarios del recorrido del cliente, si se están considerando problemas pasados y soluciones, etc.”.

Administrando los datos
La inteligencia artificial también puede ayudar a administrar los crecientes volúmenes de datos en entornos DevOps.

“El campo de AI/ML busca encontrar patrones y tendencias en enormes conjuntos de datos”, señala Eliezer Kanal, gerente técnico de fundaciones de ciberseguridad en la División CERT del Instituto de Ingeniería de Software de la Universidad Carnegie Mellon.

“Gran parte del éxito de este campo en la industria se deriva de tener ‘un gran número de indicadores débiles'”, agrega Kanal. “Por ejemplo, si desea conocer la temperatura exterior, iría a una única fuente de información, el termómetro, que es un fuerte predictor de la temperatura. Desafortunadamente, en muchos casos, no tenemos un tipo de sensor similar que pueda medir directamente lo que queremos saber, por lo que debemos confiar en muchos indicadores débiles. Los humanos encuentran este tipo de tarea muy difícil, pero para las máquinas modernas esto es casi trivial”.

DevOps “está lleno de enormes cantidades de datos: notas de compromiso, comentarios del controlador de incidencias, informes de errores, archivos de registro de todos los tipos imaginables y salida del código automatizado”, indica Kanal. A menudo, los equipos de desarrollo utilizan esta información para un objetivo declarado: los informes de errores son utilizados para comprender qué es un error, por ejemplo.

“Pero cuando se utiliza AI/ML, se puede ganar mucho más”, anota Kanal. Por ejemplo, al examinar los tipos de errores que tienden a ser informados, los analistas pueden descubrir una serie de observaciones secundarias, tales como qué módulos son los más utilizados, cuáles son más problemáticos, cuáles tienen los errores más difíciles y otro tipo de información de gran utilidad relativa al proceso de desarrollo.

“Al utilizar el sistema de informes de errores como fuente de datos sobre el entorno [de desarrollo], en lugar de solo como una herramienta operativa, las empresas pueden aprender mucho sobre sus propias prácticas de desarrollo y mejorar su desempeño general”, indica Kanal.

Otro ejemplo de esto se relaciona con la gestión de sistemas de producción. “Los sistemas modernos generan enormes cantidades de registros, muchos de los cuales se utilizan en autopsias cuando un sistema cae o se produce una falla”, explica Kanal. “Sin embargo, al alimentar al sistema de inteligencia artificial con dichos registros, podremos entender no solo la razón por la cual ocurren las fallas, sino también identificar patrones de éstas que de otra manera podrían ser difíciles de detectar”.

Las técnicas AI/ML son cada vez más fáciles de incorporar a los productos existentes, añade Kanal. Muchos proveedores de tecnología han lanzado APIs y kits de herramientas para ayudar a las empresas a incorporar estas capacidades en sus productos.

En ese sentido, los equipos de DevOps se están familiarizando cada vez más no solo con las capacidades en sí mismas, sino también con la forma en que se pueden incorporar al software, señala Kanal. Esto mejorará significativamente la calidad de aquel que se ofrece a los usuarios finales.

“La amplia disponibilidad tanto de herramientas de AI/ML como de capacitación probablemente lleve al avance continuo de la capacidad de AI/ML en el proceso de DevOps durante muchos años más”, finaliza Kanal.

Bob Violino, CIO

Ordenado por: A.I. Tags: 

TOT

 

 

Contenidos recomendados...

Comparta esta publicación

Artículos relacionados

Escriba su comentario

Ud. tiene que estar conectado para publicar comentarios.

Red de publicaciones IDG en Latinoamérica: Computerworld Ecuador - Computerworld Colombia - CIO Perú // Contáctenos
© 2018 Computerworld Venezuela - All rights reserved ---- WordPress - Tema adaptado por GiorgioB