Acepto

COOKIES

Esta web utiliza cookies técnicas, de personalización y de análisis, propias y de terceros, para anónimamente facilitarle la navegación y analizar estadísticas del uso de la web. Obtener más información

Sistemas integrados y actualizados, clave para la IA

  • DevOps

GMV Inteligencia Artificial

Los sistemas integrados son una preocupación para muchas empresas, ya que buscan las mejores formas de monetizar sus datos a través de IA o aprendizaje automático (ML).

Gartner también ha notado esto y señaló la tendencia creciente de los líderes de buscar sistemas integrados más ágiles. El año pasado, Gartner predijo que los ingresos de sistemas integrados mundiales alcanzarían los 12.300 millones. Los sistemas integrados son combinaciones de infraestructura de servidor, almacenamiento y red , se vende con un software de gestión que facilita el aprovisionamiento y la gestión de la unidad combinada. Se puede utilizar para obtener el beneficio de un diseño arquitectónico y la implementación de una infraestructura integrada de cómputo, almacenamiento y memoria para respaldar los negocios digitales.

Mantener los sistemas actualizados con los datos una vez que se han implementado también es un problema importante, que AI puede ayudar a resolver. La inteligencia artificial y la ciencia de datos están de moda, pero hay un problema del que nadie habla. Las herramientas de aprendizaje automático están evolucionando para que sea más rápido y menos costoso desarrollar sistemas de inteligencia artificial. Pero implementar y mantener estos sistemas con el tiempo se está volviendo exponencialmente más complejo y costoso. Los equipos de ciencia de datos están incurriendo en una enorme deuda técnica al implementar sistemas sin los procesos y las herramientas para mantenerlos, monitorearlos y actualizarlos. Además, las fuentes de datos de baja calidad crean un trabajo no planificado y provocan errores que invalidan los resultados.

Si bien las herramientas de inteligencia artificial y ciencia de datos mejoran la productividad del desarrollo del modelo, el código ML real es una pequeña parte de la solución general de los sistemas. Los equipos de ciencia de datos que no aplican los principios modernos de desarrollo de software al ciclo de vida de los datos pueden terminar con una deuda técnica y de baja calidad que causa un trabajo no planificado que hace que todos los esfuerzos detrás de las implementaciones de IA sean contraproducentes.

Hay una solución para esto. DataOps ofrece un nuevo enfoque para crear y poner en funcionamiento la IA que minimiza la deuda técnica, reduce el tiempo del ciclo y mejora la calidad de los datos y el código. Es una metodología que permite que los equipos de ciencia de datos prosperen a pesar de los crecientes niveles de complejidad necesarios para implementar y mantener la inteligencia artificial en el campo.

La orquestación de las cadenas de herramientas de desarrollo, implementación, operaciones y monitoreo simplifica drásticamente los flujos de trabajo diarios del equipo de ciencia de datos. Sin la carga de la deuda técnica y el trabajo no planificado, pueden centrarse en su área de especialización; creando nuevos modelos que ayudan a la empresa a cumplir su misión.

Descubre la innovación

Para asegurar el éxito empresarial, ahora y a futuro, es imprescindible maximizar el retorno de la inversión existente en software, a la vez que innovar y adoptar nuevas tecnologías. Los retos que hay abordar para competir en un mundo de TI Híbrida incluyen DevOps, Seguridad, Gestión de riesgos y Análisis predictivo. Puedes obtener más información sobre cómo abordar estos retos e innovar en este enlace.