TI
Inteligencia artificial
Machine learning

Seis obstáculos de AIOps que hay que superar

Las AIOps prometen ayudar a las empresas a gestionar de forma inteligente las operaciones de TI, pero el camino no siempre es fácil.

AIops

Los equipos de operaciones de TI tienen que hacer muchos malabares. Gestionan los servidores, las redes, la infraestructura en la nube, la experiencia del usuario, el rendimiento de las aplicaciones y la ciberseguridad, a menudo trabajando de forma independiente. El personal suele estar sobrecargado de trabajo, agobiado por un exceso de alertas y luchando por resolver problemas que implican múltiples dominios.

Entra en escena AIOps, un campo floreciente de tecnologías y estrategias que inyectan inteligencia artificial en las operaciones de TI en un esfuerzo por resolver los retos a los que se enfrentan los equipos de operaciones de TI reduciendo los falsos positivos, utilizando el aprendizaje automático para detectar los problemas antes de que se produzcan, automatizando la remediación y viendo una visión holística de la empresa.

Según una encuesta realizada el pasado mes de octubre a líderes de TI por ZK Research y Masergy, el 65% de las empresas ya está utilizando AIOps, y el 94% dice que es "importante o muy importante" para gestionar el rendimiento de la red y las aplicaciones en la nube. Además, el 84% ve en AIOps un camino hacia un entorno de red totalmente automatizado y el 86% espera tener una red totalmente automatizada en los próximos cinco años.

Aunque las AIOps son todavía nuevas, ya están demostrando su eficacia. Según una encuesta de Enterprise Management Associates publicada este verano, el 62% de las empresas ve un retorno de la inversión en AIOps "muy alto" o "alto", y el resto dicen que han llegado al punto de equilibrio o que es demasiado pronto para decirlo.

Pero el camino hacia la AIOps no siempre es fácil. Más de la mitad de los encuestados por la EMA también dijeron que las AIOps eran "difíciles" o "muy difíciles" de implementar. Los obstáculos más comunes que reportaron las empresas incluyen el costo, la calidad de los datos, los conflictos dentro de TI, la desconfianza en la IA, la falta de habilidades y los desafíos de integración.

 

No hay una estrategia clara antes de la adopción

Las organizaciones de TI de hoy en día están operando bajo una gran presión y puede parecer que no hay suficiente tiempo para una preparación metódica.

"Las organizaciones suelen tener poco tiempo y recursos limitados", dice John Carey, director general de la práctica tecnológica de AArete, una empresa de consultoría de gestión global.

Con demasiada frecuencia, los proyectos de IA comienzan como experimentos que se convierten en oportunidades. "Se necesita una estrategia", reconoce Carey. "Las AIOps tienen que ser minuciosas y planificadas".

El despliegue de una solución tecnológica sin definir claramente el desafío que se intenta resolver es un problema antiguo para TI, coincide Donncha Carroll, socio de la práctica de crecimiento de ingresos en Axiom Consulting Partners. Carroll recomienda a las empresas que se tomen el tiempo necesario para detallar la naturaleza del problema que van a resolver y cómo va a afectar al negocio.

"Y confirmar que una solución más convencional no es apropiada o efectiva", explica. "De lo contrario, se puede invertir mucho dinero en la implantación de una solución que no ofrece la visión que se ha establecido para ella".

De hecho, según la encuesta de la EMA, aunque las empresas se mostraron universalmente positivas con respecto a sus inversiones en AIOps, un asombroso 80% está buscando una nueva plataforma, y la mitad de ellas tiene previsto cambiar en el próximo año.

¿Las principales razones? Buscan más flexibilidad, escalabilidad y una IA, ML y análisis más avanzados. Estos cambios tan drásticos subrayan el hecho de que las empresas a menudo se olvidan de considerar el panorama general para asegurarse de que la solución que eligen puede servir al negocio a largo plazo, dice Carroll.

"Es importante pensar en el desarrollo de una estrategia integral, y luego implementar sobre la base de un caso de uso", admite.

 

Datos pobres o incompletos

Según la encuesta de la EMA, los problemas de datos son el segundo mayor obstáculo para el éxito de los despliegues de AIOps, después del coste.

La IA y el ML viven y mueren en los datos de entrenamiento. Pero es posible que los sistemas de operaciones heredados de una empresa no estén recopilando datos de rendimiento de forma coherente. También puede estar perdiendo aspectos críticos o estar reportando información contradictoria.

"El mercado actual está en su fase de primera generación", afirma Gregory Murray, director de investigación senior de Gartner. "Estamos analizando los datos que tenemos porque son los que tenemos".

Algo similar ocurrió con los discos duros, dice. Desde hace años, los discos duros cuentan con instrumentos y análisis que predicen los fallos de las unidades, y están dotados exactamente de la telemetría que necesitan para hacer esas predicciones.

"Fuera de ese caso de uso, no se necesitan esos datos", sostiene Murray.

Lo mismo ocurrirá con los AIOps. A medida que el sector despliegue la tecnología AIOps, aprenderemos más sobre los datos que realmente hay que recoger.

"La promesa de mejorar la exactitud y la precisión está ahí una vez que empecemos a generar conjuntos de datos que se ajusten al propósito", prosigue aquel especialista.

Cuando los datos están disponibles, no necesariamente están en un formato que constituya un buen conjunto de datos de entrenamiento. Por ejemplo, las empresas pueden querer saber si un cambio concreto causará problemas en función de los servidores y aplicaciones afectados, dice Jorge Machado, socio de McKinsey & Co. Para realizar este análisis, la descripción escrita del cambio es un factor crítico.

"Si está mal redactado, el procesamiento del lenguaje natural en ese texto no dará ninguna información interesante", dice Machado. Del mismo modo, una IA no sería capaz de detectar patrones en las descripciones de los tickets abiertos si están mal escritos, añade.

Y lo que es más importante, los conjuntos de datos críticos suelen estar incompletos. Por ejemplo, una empresa puede querer vincular un evento a las aplicaciones, redes o servidores pertinentes. "Pero ningún cliente tiene una base de datos de gestión de cambios perfecta", dice Machado, y añade que estos problemas requieren un trabajo importante para resolverlos.

 

Cobertura inadecuada

Para obtener todos los beneficios de las AIOps, las empresas necesitan poner el mayor número posible de sistemas bajo su paraguas, dado que un problema en una parte del entorno puede tener efectos en cascada en otro lugar. Un problema de red podría ser en realidad un problema de ciberseguridad, o un problema de experiencia de usuario podría estar causado por un servidor de base de datos lento.

"A medida que más empresas migran a lo digital, hay más interdependencias en las aplicaciones", explica Machado. "Si una aplicación tiene un bajo rendimiento, es probable que cause problemas en otros sistemas".

Pero hay muchos obstáculos para conseguirlo. Uno de ellos es el coste de este sistema. Otro es el reto de la integración para conseguir que todas las fuentes de datos relevantes funcionen juntas. Y hay aspectos organizativos que hay que abordar, dice Machado. "En última instancia, la fragmentación organizativa dicta la fragmentación de las herramientas".

Y no se trata sólo de silos de TI, añade. Las AIOps necesitan aportaciones de otras áreas de la empresa para ser eficaces. Por ejemplo, si una empresa tiene un gran lanzamiento de producto o una nueva campaña de marketing u ofrece un gran descuento, podría provocar un pico de llamadas a un centro de datos o de tráfico a un sitio web y colapsar el sistema.

"Es necesario conectar no sólo el rendimiento de la aplicación y el rendimiento del servidor, sino también los eventos que vienen del lado del negocio", prosigue.

"Las implementaciones de AIOps más exitosas que hemos visto tienen casos de uso multidepartamental", coincide Will McKeon-White, analista de Forrester Research. No sólo los relacionados con las TI, como la ciberseguridad, sino también las conexiones fuera de las TI, como por ejemplo con el marketing, dice.

Un sistema de AIOps que recoja datos de monitorización de usuarios en tiempo real puede convertirse en un servicio empresarial compartido, afirma McKeon-White, y no sólo en algo que ayude a automatizar las TI. "Esos son los casos de uso más exitosos que hemos visto".

 

Pagar doble

Otro problema que puede causar conflictos organizativos internos es cuando los equipos o departamentos individuales tienen sus propios conjuntos de herramientas preferidos y no quieren renunciar a ellos.

"Deshacerse de otras soluciones de monitorización puede ser una pesadilla política en muchas organizaciones", dice McKeon-White.

Las empresas suelen hacer concesiones, manteniendo sus sistemas actuales y añadiendo una plataforma de AIOps encima. Pero esto puede crear una duplicación de funciones y aumentar los desafíos de integración, dice, además de aumentar los gastos. "Las organizaciones están pagando una cantidad significativa por estas herramientas y no obtienen el valor que necesitan".

Para resolver este dilema, algunas empresas están recurriendo a las AIOps integradas en sistemas de dominio específico. Los sistemas de monitorización del rendimiento de las aplicaciones, por ejemplo, utilizan cada vez más IA y ML para detectar problemas. Los grandes proveedores de la nube también están añadiendo soluciones inteligentes de monitorización y automatización, al igual que los proveedores de bases de datos, y los proveedores de plataformas de ciberseguridad.

Es una forma relativamente fácil de obtener algunas funciones de AIOps, pero a expensas de poder obtener una visión multidominio y multicloud de las operaciones.

El uso de las funciones integradas también es más rápido que la construcción o el despliegue de una plataforma AIOps completa, un proyecto que suele tardar 16 meses o más, admite Bradley Shimmin, analista jefe de plataformas de IA, análisis y gestión de datos en Omdia.

"Reunir todas esas fuentes de información, todas esas señales que provienen de fuentes tan diversas -la nube, las API de los sensores de las aplicaciones, los sensores de los dispositivos físicos-, todo eso requiere integración", afirma. "Ese es un reto al que las empresas se enfrentan desde hace décadas".

 

Perder la visión de conjunto

Las plataformas de dominio específico pueden proporcionar una automatización nativa de su funcionalidad y hacer que las herramientas de IA sean transparentes para los usuarios. Pero aunque mantener los silos evita los desafíos de integración, las empresas no verán todo el potencial de las AIOps.

"Si estás tratando de hacer algo como el análisis de la causa raíz de un aumento de la latencia, necesitas poder hablar con el sistema de red, con el servidor de aplicaciones, para ver a través de todos los diferentes dominios", dice Shimmin. "Nadie quiere levantar un cuaderno Jupyter para comprobar sus registros de red para ver qué ha pasado con su latencia".

Con el tiempo, un proveedor de la nube podría ser capaz de ofrecer una gama completa de funcionalidades de AIOps, lo que puede ser útil para las empresas que están en un solo proveedor de la nube. "Entonces se puede ver el nirvana de AIOps realizado para usted", dice. "Pero no es algo que vayas a conseguir hoy".

Además, la mayoría de las empresas son multicloud, dice Simmon. De hecho, la encuesta de EMA muestra una dramática preferencia por tener una única plataforma AIOps multidominio. De las empresas que dijeron que sus esfuerzos de AIOps eran "extremadamente exitosos", el 80% estaba usando una sola plataforma. De las empresas que no utilizaban una plataforma de AIOps, el 57% tenía un "éxito marginal".

Así que no es sorprendente que, mientras que sólo el 46% de las empresas en general utiliza una única plataforma de AIOps, el resto planea adoptar una o está utilizando más de una plataforma.

 

Cambio cultural

Por último, muchas empresas se están dando cuenta de que sus empleados desconfían de los sistemas de IA o son reacios a aceptar el cambio.

En la encuesta de EMA, incluso en las empresas que informaron del mayor nivel de éxito con AIOps, el 22% de los encuestados reconoció que el "miedo o la desconfianza de la IA" era un desafío principal para sus iniciativas de AIOps, empatando con la "falta de habilidades" para el cuarto lugar en la lista.

"Hay una desconfianza fundamental hacia un enfoque de caja negra, el que dice: 'No me preguntes por qué he llegado a la conclusión, pero ahí está la respuesta'", dice Sanjay Srivastava, director digital de Genpact, una consultora global de transformación digital. "Intentamos romper eso con la IA explicable, pero en algunos aspectos, funciona, y en otros, no".

La gestión de AIOps también requiere un conjunto diferente de habilidades que la gestión tradicional de TI, dice. "Las habilidades orientadas a la IA requieren más ingeniería de datos y ser capaces de modelar algoritmos de IA".

Las plataformas de AIOps están evolucionando rápidamente hasta un punto en el que pueden tomar automáticamente decisiones operativas para las empresas, como redirigir el tráfico, reasignar recursos y girar nuevas instancias. Sin embargo, si no se configuran con cuidado, las cosas pueden salir mal con facilidad, afirma Carey, de AArete.

"Cuando se programa para que tome decisiones como el cierre de los sistemas, puede apagar el negocio", sostiene Carey. "Ese es probablemente el peor de los casos".

Lo más habitual es que cometa errores costosos.

"Un resultado más habitual es que intervenga y siga añadiendo servidores y, de repente, tu factura de computación en la nube haya pasado de 20.000 dólares por hora a 100.000 dólares por hora", dice. "Hay que hacer esos deberes".



Registro:

Eventos:

 

Partnerzones

Revistas Digitales

DealerWorld Digital

IDG Research

Documentos ComputerWorld

wp fortinet Whitepapers