Por qué AIops puede ser necesario para el futuro de la ingeniería

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 prevé que el aprendizaje automático genere alrededor de 13 billones de dólares. 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 e implementación de código por la llegada de ML? Aquí, argumentaremos 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 asuntos una vez anuales o semestrales. Ahora, dos tercios de las empresas encuestadas realizan implementaciones al menos una vez al mes, y el 26 % de las empresas realizan implementaciones varias veces al día. Esta tasa de cambio creciente demuestra que la industria está acelerando su tasa de cambio para mantenerse al día con la demanda.

Si seguimos esta tendencia, se espera que casi todas las empresas implementen cambios varias veces al día si desean 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 nuestras formas de trabajar, 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 pasar el 23 % de su tiempo enfrentando desafíos operativos. ¿Cómo podría AIops reducir este número y liberar tiempo para que los ingenieros vuelvan a codificar?

Utilizando AIops para sus alertas mediante la detección de anomalías

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

Detección de anomalías a través del 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 sus 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 los conocimientos procesables enterrados en los datos.

Estos conocimientos son convincentes porque su enfoque de IA para las alertas puede generar problemas que nunca antes había visto. Con las alertas tradicionales, normalmente tendrá que anticiparse a los incidentes que cree que ocurrirán y crear reglas para sus alertas. Estos pueden llamarse sus conocidos conocidos o tu incógnitas conocidas. Los incidentes de los que está al tanto o los puntos ciegos en su monitoreo que está cubriendo por si acaso. Pero ¿qué pasa con tu incógnitas desconocidas?

Aquí es donde entran en juego sus algoritmos de aprendizaje automático. Sus alertas impulsadas por AIops pueden actuar como una red de seguridad alrededor de sus alertas tradicionales, de modo que si ocurren anomalías repentinas en sus registros, métricas o seguimientos, puede operar con la confianza de que estará informado. . Esto significa menos tiempo definiendo alertas increíblemente granulares y más tiempo dedicado a 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 en torno a cada resultado posible y dedicar un tiempo considerable a crear, mantener, modificar y ajustar estas alertas, puede definir algunas de sus alertas principales y utilizar su enfoque AIops para capturar el resto.

A medida que nos convertimos en 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 director ejecutivo de Coralogix.