febrero 26, 2024

Por qué se pueden necesitar AIops para el futuro de la ingeniería

¿No pudo participar en Transform 2022? ¡Vea todas las sesiones de Summit en nuestra biblioteca on-demand ahora! Mira aquí.


El aprendizaje automático ha cruzado el abismo. En 2020, McKinsey descubrió que de las 2395 empresas encuestadas, el 50 % tenía una inversión continua en aprendizaje automático. Para 2030, se proyecta que el aprendizaje automático produzca alrededor de $ 13 billones. En poco tiempo, una buena comprensión del aprendizaje automático (ML) será un requisito central en cualquier estrategia técnica.

La pregunta es, ¿qué papel jugará la inteligencia artificial (IA) en la ingeniería? ¿Cómo se verá afectado el futuro de la creación y distribución de código por la llegada de ML? Aquí, discutiremos por qué ML se está volviendo central para el desarrollo continuo de la ingeniería de software.

La creciente tasa de cambio en el desarrollo de software

Las empresas están acelerando su tasa de cambio. Las implementaciones de software eran negocios anuales o semestrales. Ahora, dos tercios de las empresas encuestadas implementan la implementación al menos una vez al mes, y el 26 % de las empresas la implementan varias veces al día. Esta tasa de cambio creciente muestra que la industria está acelerando su tasa de cambio para mantenerse al día con la demanda.

Si seguimos esta tendencia, casi todas las empresas deberían implementar los cambios varias veces al día si quieren mantenerse al día con las demandas cambiantes del mercado de software moderno. Escalar esta tasa de cambio es difícil. A medida que aceleramos aún más, necesitaremos encontrar nuevas formas de optimizar nuestros métodos de trabajo, abordar las incógnitas e impulsar la ingeniería de software hacia el futuro.

Ingrese al aprendizaje automático y AIops

La comunidad de ingeniería de software comprende la sobrecarga operativa de ejecutar una arquitectura de microservicios compleja. Los ingenieros suelen dedicar el 23 % de su tiempo a abordar desafíos operativos. ¿Cómo podría AIops reducir este número y liberar tiempo para que los ingenieros vuelvan a codificar?

Usando AIops para tus alertas al detectar anomalías

Un desafío común dentro de las organizaciones es detectar anomalías. Los resultados anormales son aquellos que no se ajustan al resto del conjunto de datos. El desafío es simple: ¿cómo se definen las anomalías? Algunos conjuntos de datos tienen datos extensos y variados, mientras que otros son muy uniformes. Se convierte en un problema estadístico complejo clasificar y detectar un cambio repentino en estos datos.

Detección de anomalías mediante aprendizaje automático

La detección de anomalías es una técnica de aprendizaje automático que utiliza los poderes de reconocimiento de patrones de un algoritmo basado en IA para encontrar valores atípicos en los datos. Esto es increíblemente poderoso para los desafíos operativos en los que, por lo general, los operadores humanos tendrían que filtrar el ruido para encontrar información útil oculta en los datos.

Esta información es convincente porque su enfoque de inteligencia artificial para las alertas puede generar problemas que nunca antes había visto. Con las alertas tradicionales, normalmente deberá evitar los incidentes que cree que ocurrirán y crear reglas para sus alertas. Estos pueden ser llamados tuyos. conocido conocido o el tuyo extraños conocidos. Incidentes de los que está al tanto o puntos ciegos en su monitoreo que está cubriendo por si acaso. Pero ¿y el tuyo? incógnitas desconocidas?

Aquí es donde entran en juego los algoritmos de aprendizaje automático. Sus alertas basadas en AIops pueden actuar como una red de seguridad alrededor de sus alertas tradicionales para que, si se producen anomalías repentinas en sus registros, métricas o seguimientos, pueda operar con la confianza de que estará informado. Esto significa menos tiempo para definir alertas increíblemente detalladas y más tiempo para crear e implementar las funciones que diferenciarán a su empresa en el mercado.

AIops puede ser su red de seguridad

En lugar de definir una miríada de alertas tradicionales sobre cada resultado posible y dedicar mucho tiempo a crear, mantener, modificar y optimizar estas alertas, puede definir algunas de sus alertas principales y utilizar su enfoque AIops para capturar el resto.

A medida que crecemos en la ingeniería de software moderna, el tiempo de los ingenieros se ha convertido en un recurso escaso. AIops tiene el potencial de reducir la creciente sobrecarga operativa del software y liberar tiempo para que los ingenieros de software innoven, desarrollen y crezcan en la nueva era de la codificación.

Ariel Assaraf es el CEO de Coralogix.

Tomadores de decisiones de datos

¡Bienvenido a la comunidad VentureBeat!

DataDecisionMakers es el lugar donde los expertos, incluidos los ingenieros de datos, pueden compartir ideas e innovaciones relacionadas con los datos.

Si desea leer ideas de vanguardia e información actualizada, las mejores prácticas y el futuro de los datos y la tecnología de datos, únase a nosotros en DataDecisionMakers.

¡Incluso podría considerar contribuir con su propio artículo!

Leer más de DataDecisionMakers

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *