La IA generativa ha dado nueva vida a AIOps, pero es un error creer que es el único tipo de IA necesario para mantenerlo vivo en el futuro.
En 2022, AIOps parecía una tecnología que se mantenía con vida de forma artificial. Casi todas las soluciones denominadas AIOps eran poco más que una versión potenciada de la monitorización tradicional. Los casos de uso a los que se destinaba AIOps en aquel momento eran triviales y apenas contribuían a avanzar hacia una visión de aplicaciones adaptativas. Es decir, dotar a las operaciones de inteligencia y de la capacidad de ejecutar cambios en tiempo real.
Pero entonces la IA generativa entró en escena y, de repente, AIOps tuvo una segunda oportunidad. Aunque en realidad no fue así. No del todo.
Para entender por qué, debemos definir AIOps en función de las capacidades que pretende ofrecer.
¿Qué es AIOps?
AIOps es un término amplio que se utiliza generalmente para referirse al uso de la inteligencia artificial en las operaciones de TI. Las soluciones de AIOps, normalmente denominadas plataformas, suelen ofrecer cuatro capacidades diferenciadas:
- Observar: abarca la ingesta de telemetría y la detección de anomalías.
- Analizar: Utiliza la IA para descubrir patrones, correlacionar eventos en su contexto, identificar las causas raíz y generar información útil.
- Interactuar: Permite a los usuarios visualizar e interactuar con datos e información relevante.
- Actuar: Convierte la información obtenida en acciones mediante la automatización.
Largely, what we’ve seen thus far is the integration of generative AI with the engage capability. Specifically, generative AI has advanced the interaction functions of this capability by exchanging GUIs (Graphic User Interface) and APIs for NLIs (Natural Language Interfaces). This largely moves AIOps toward the most often cited use case for AIOps, according to a ZK Research report:
- 64 % de eficiencia operativa/productividad de TI
- 54 % de mejora en el rendimiento de la red o de las aplicaciones
- El 54 % mejoró la seguridad o el cumplimiento normativo
Hay algunos indicios de que la IA generativa se está utilizando para actuar mediante la generación de políticas y configuraciones destinadas a mitigar riesgos y gestionar incidentes, pero por el momento estos indicios son débiles y se limitan en gran medida a un único ecosistema objetivo, es decir, a la cartera de un solo fabricante o proveedor.
La IA generativa ha contribuido muy poco a mejorar la capacidad de analizar los datos recopilados mediante la capacidad de observación. Esto no es una crítica, sino el reconocimiento de que no fue diseñada para ello. Para eso, debemos recurrir a la IA tradicional de toda la vida.
¿Qué es la IA tradicional?
Desde la aparición de la IA generativa, lo que siempre hemos denominado IA ha necesitado un nombre propio. El mercado ha adoptado IA tradicional para referirse a «cualquier IA que no sea generativa».
La IA tradicional utiliza muchas de las mismas técnicas de entrenamiento y principios subyacentes que la IA generativa, pero está diseñada para analizar e incluso predecir resultados mediante la identificación de patrones y relaciones en un corpus de datos mayoritariamente estructurados. La IA tradicional destaca en tareas de clasificación y reconocimiento.
La IA tradicional se ha utilizado durante décadas para:
- Identificar bots para prevenir abusos y fraudes como la apropiación de cuentas (ATO)
- Detecta ataques basados en patrones de comportamiento en el tráfico de red (DDoS) y de aplicaciones (L7)
- Hacer recomendaciones de productos y/o servicios basadas en los patrones de consumo
- Reconocimiento de escritura manuscrita e imágenes
El papel de la IA en AIOps
La capacidad de la IA tradicional no solo para realizar predicciones sobre patrones y relaciones existentes, sino también para descubrir otros nuevos casi en tiempo real, es lo que hace que esta tecnología resulte inestimable para una verdadera solución de AIOps. Se necesita un modelo capaz de analizar nuevos datos e inferir la presencia de un ataque o predecir un problema que afectará a la disponibilidad o reducirá el rendimiento. La IA tradicional destaca especialmente en ambas tareas: dota a la capacidad de observación de la facultad de detectar anomalías y permite descubrir patrones y relaciones para la capacidad de análisis.
La IA generativa puede generar código, configuraciones y contenido. reproduce patrones existentes y los aplica para generar contenido nuevo. No crea nada, sino que se basa en relaciones entre objetos que se refuerzan o debilitan en función de la retroalimentación.
En efecto, pedir a la IA generativa que analice datos nuevos entraña muchos riesgos. Puede darte una respuesta correcta, pero también podría alucinar y darte una respuesta errónea. Esto se debe a que, en última instancia, la IA generativa es un juego de números y, si las relaciones o los patrones entre los puntos de datos no son lo bastante sólidos o frecuentes, se limitará a rellenar los huecos, acertando o no.
Lo que nos ofrece la IA generativa es accesibilidad a los datos, porque no necesitamos ser expertos en un lenguaje de consulta ni depender de desarrolladores para que nos creen una interfaz, así como la capacidad de generar automáticamente código o configuraciones que puedan ejecutarse para resolver un problema. Esto también es accesibilidad, ya que evita tener que ser experto en escribir código o utilizar varias API.
Pero, sin una IA tradicional que analice los datos de telemetría en tiempo real, un sistema de este tipo solo aborda parcialmente dos de las tres capacidades necesarias para una solución AIOps plenamente funcional. Por tanto, debemos utilizar tanto la IA tradicional como la generativa:
- Observar: IA tradicional para la detección de anomalías.
- Analizar: IA tradicional para descubrir patrones y relaciones.
- Interactuar: IA generativa para que los usuarios puedan visualizar los datos y la información obtenida e interactuar con ellos.
- Actuar: IA generativa para convertir la información en acciones.
Así que, aunque soy optimista respecto a la IA generativa y su capacidad para simplificar e incluso acelerar las operaciones, también soy consciente de que, para aprovechar todo el potencial de la IA en AIOps, será necesario combinar la IA tradicional con la generativa.
Sobre el autor
Lori MacVittie es ingeniera distinguida y evangelista jefe en la Oficina del CTO de F5, y cuenta con una amplia experiencia en entrega de aplicaciones, estrategia de automatización e infraestructura. Es conocida por convertir la complejidad en claridad, ya sea definiendo mecanismos de protección para agentes de IA, analizando arquitecturas multinube frágiles o explorando los límites de los sistemas escalables. Aporta más de treinta años de experiencia en el sector en desarrollo de aplicaciones, arquitectura de TI y operaciones de redes y sistemas. Antes de incorporarse a F5, fue una galardonada editora de tecnología. MacVittie posee un máster en Informática y es una autora prolífica cuyas publicaciones abarcan la seguridad, la nube y la arquitectura empresarial. También es una apasionada de los juegos de mesa y los videojuegos, y expresa sin complejos sus firmes opiniones sobre el queso.
Más artículos de Lori Mac VittieArtículos relacionados del blog
Proteger los endpoints de las API dificulta la seguridad de las API
Descubre las complejidades de la seguridad de las API, los retos a los que se enfrentan las organizaciones, la evolución de los ataques contra endpoints de API y la necesidad de políticas de seguridad adaptadas.
¿Qué es el sesgo de la IA y por qué es importante para TI?
Descubre los fundamentos del aprendizaje de la IA. Aprende cómo pueden surgir sesgos en la IA y qué riesgos plantean para las TI y la transformación digital.
Redefiniendo la ciberseguridad en el extremo de la nube distribuida con IA y telemetría en tiempo real
La transformación digital y la adopción de tecnologías en la nube están provocando cambios en las arquitecturas de las aplicaciones. Estos cambios introducen nuevas superficies de ataque, que son el objetivo de métodos de ataque avanzados, altamente organizados y con motivaciones económicas. Mediante el uso del framework Morpheus de NVIDIA, F5 está investigando técnicas para detectar estas amenazas avanzadas con telemetría en tiempo real y análisis basados en IA.
El papel de la nube en las aplicaciones nativas del edge
No debería sorprender que, al igual que la aparición de la nube dio lugar a las aplicaciones nativas de la nube, el edge esté impulsando un conjunto de aplicaciones nativas del edge. Sin embargo, estas aplicaciones no residirán únicamente en el edge. Al mismo tiempo, están surgiendo nuevos patrones arquitectónicos que aprovechan las aplicaciones alojadas en la nube y en el centro de datos.
La creciente diversidad de ubicaciones y usuarios está impulsando a las empresas hacia el edge
En el contexto del ámbito de las aplicaciones, el término «usuario» siempre se ha referido a la entidad que interactúa con una aplicación. Del mismo modo que los cambios en las arquitecturas de las aplicaciones impulsan cambios en las tecnologías que permiten ofrecerlas y protegerlas, los cambios en la definición de usuario han provocado cambios en los lugares donde se despliegan las aplicaciones.
El edge está impulsando un renacimiento de las infraestructuras
A medida que las organizaciones aumentan la generación de datos y tratan de extraer valor empresarial de ellos, sin duda recurrirán a la analítica y la automatización basadas en la IA y el aprendizaje automático. Precisamente este tipo de cargas de trabajo son las que más se beneficiarían de una infraestructura optimizada y, sin embargo, hoy en día son las que menos probabilidades tienen de poder aprovecharla.