¿Cuántos datos necesitas para AIOps?

Las empresas en sí tampoco tienen que ser particularmente grandes. Siempre que la herramienta AIOps tenga acceso a datos de calidad, la cantidad de datos necesarios es muy baja.

¿Cómo se pueden obtener mejores datos?

El Manual SRE de Google describe cómo mejorar la calidad de los datos y qué datos son más importantes para el monitoreo. El principio general: Mantenlo simple. Más datos conducen a la confusión y la complejidad, lo que causa problemas.

Google utiliza cuatro métricas específicas orientadas al consumidor, lo que llama las "señales doradas", para monitorear el rendimiento de una aplicación o servicio:

• Latencia: el tiempo que lleva atender una solicitud exitosa y una solicitud fallida
• Tráfico: la demanda total a través de la red
• Errores: el número de solicitudes fallidas
• Saturación: la carga en servicios y redes

Si bien las señales de oro de Google pueden funcionar para algunas empresas, ciertamente no son una solución para todos. Después de todo, AIOps puede satisfacer una amplia gama de casos de uso de TI.

En lugar de arrojar todos los datos disponibles a un problema en particular, las empresas deberían descubrir sus propias señales de oro. ¿Cuáles son los puntos débiles del negocio? ¿Qué métricas pueden medir estos puntos débiles?

Pero eso es solo la señal (o Indicador de Nivel de Servicio, en lenguaje SRE). Te dice lo que ha sucedido, no por qué sucedió. La sabiduría convencional establece que debe limitar su recopilación de datos solo a las señales doradas, ya que todo lo demás es ruido. Eso es cierto en términos de identificación de problemas, pero la otra telemetría puede proporcionar contexto o información sobre por qué ocurrió el problema. Aquí es donde AIOps ayuda. Al agrupar la telemetría contextual con las señales doradas, puede identificar la causalidad rápidamente, sin un aumento en el volumen de tickets o buscapersonas.

Luego, se trata de asegurarse de que los datos estén limpios, completos y estructurados. Con flujos de datos vacíos, la herramienta AIOps no puede aplicar sus capacidades de aprendizaje automático (ML). Igual de importante, a las computadoras les gustan los datos consistentes y estructurados. De hecho, ML se basa en características consistentes, esencialmente variables independientes, para producir modelos y hacer predicciones precisas.

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.