La IA ya está empezando a cambiar la observabilidad

En el panorama en rápida evolución de las redes digitales, la demanda de soluciones avanzadas de observabilidad de la red nunca ha sido mayor. A medida que las organizaciones navegan por las complejidades que traen consigo las diversas arquitecturas, las cargas de trabajo dinámicas, los modelos de trabajo remoto y las crecientes amenazas a la seguridad, la necesidad de herramientas de observabilidad de red se hace aún más fundamental. Tanto es así que las previsiones recientes sugieren que el mercado de la observabilidad crecerá de 2.400 millones de dólares en 2023 a 4.100 millones en 2028, y gran parte de este crecimiento se atribuye a la creciente ubicuidad de tecnologías avanzadas como la IA, el aprendizaje automático y el análisis de datos en tiempo real. Gartner predice un mercado de observabilidad de IA de 9.000 millones de dólares.

El enfoque estándar de la supervisión de infraestructuras consiste en recopilar datos de distintas fuentes, como servidores, redes y aplicaciones, y analizarlos para obtener información sobre el rendimiento y el estado de la infraestructura y enviar alertas en caso de problema. Sin embargo, éste ya no es el mejor enfoque en los complejos y vertiginosos entornos informáticos actuales.

Las arquitecturas de red modernas y seguras han creado puntos ciegos en el rendimiento de la red, lo que dificulta la observación y la resolución de problemas de forma eficaz. La proliferación de aplicaciones SaaS esenciales y el trabajo a distancia han dificultado la supervisión y resolución de problemas de la experiencia digital de los usuarios finales. Los recursos informáticos se extienden ahora más allá de los centros de datos, y la hipervirtualización y la dinámica de los contenedores aumentan la complejidad de la supervisión de la red.

Además, para mejorar los resultados de la IA, es esencial una instrumentación exhaustiva, que suele lograrse mediante agentes que recopilan datos de observabilidad de forma autónoma. Sin embargo, gestionar un número cada vez mayor de agentes resulta engorroso y costoso, y afecta al rendimiento del sistema y a la experiencia del usuario con actualizaciones manuales, configuraciones complejas y posibles colisiones.

Y aquí, la propia IA (normalmente en forma de AIOPs) se está promocionando como la base de la próxima generación de herramientas de observabilidad. Gracias a los conocimientos basados en IA, las organizaciones pueden aprovechar las alertas inteligentes que permiten detectar y diagnosticar problemas en tiempo real, junto con sus posibles soluciones, lo que permite a los equipos de TI responder con rapidez y evitar más interrupciones.

En julio de 2023, ManageEngine anunció que había añadido la observabilidad de OpenAI a su plataforma de observabilidad basada en la nube Site24x7. Splunk anunció nuevas funciones de IA en su «plataforma unificada de seguridad y observabilidad», también el año pasado, informó CRN. En mayo de este año, New Relic lanzó Grok, un asistente de observabilidad de IA generativa, y Riverbed anunció su plataforma abierta de observabilidad impulsada por IA «destinada a rellenar los puntos ciegos que existen en entornos de TI complejos que incluyen entornos de nube pública y trabajo remoto, así como arquitecturas Zero Trust y SD-WAN», según CRN.

GigaOm Radar examina 20 de las principales soluciones de observabilidad de red del mercado y compara las ofertas en términos de características (incluidas las características emergentes de AIOps y las integraciones con LLM).

¿Por qué es importante?

El análisis de la observabilidad de la red basado en IA proporciona inteligencia y permite la detección proactiva de incidentes, la corrección automatizada y la mejora continua. Algunos ejemplos de aplicaciones de IA/ML son:

• Detección rápida de problemas y análisis preciso de la causa raíz ingiriendo y correlacionando datos de diversas fuentes.
• Ingesta y procesamiento de grandes volúmenes de datos de red en tiempo real para analizar, interpretar y normalizar formatos de datos procedentes de diversas herramientas y fuentes de supervisión, garantizando la compatibilidad y coherencia entre conjuntos de datos integrados.
• Analizar los datos recibidos e identificar correlaciones, patrones y anomalías que puedan indicar problemas de rendimiento de la red o amenazas a la seguridad.
• Visualización dinámica y presentación de información práctica con el contexto adecuado para facilitar la supervisión y el análisis proactivos, lo que permite a las organizaciones anticiparse a posibles problemas antes de que afecten a la experiencia del usuario final.
• Mayor precisión, basada en el aprendizaje de patrones históricos para adaptarse a las nuevas amenazas.
• Transformación de una automatización estática y estrictamente definida en una automatización inteligente que modele la lógica y la toma de decisiones humanas.

Todo esto nos lleva de simplemente saber «qué» ocurre en nuestros sistemas a entender «por qué». Si la observabilidad ya trata de proporcionar datos detallados y contexto, cuando se combina con el análisis predictivo de la IA permite ahora a los sistemas de TI predecir y evitar problemas antes de que se produzcan. Por eso, cada vez más empresas se sienten obligadas a incorporar la observabilidad y la IA a sus operaciones de TI, teniendo en cuenta las necesidades actuales y futuras de su infraestructura de TI.

La observabilidad, la IA y los AIOps trabajan para eliminar la complejidad y el ruido, recopilar, normalizar y conciliar diferentes tipos de datos, comprender los servicios y sus relaciones, y utilizar la IA para descubrir y resolver problemas de forma proactiva. Pero lo más importante es que la observabilidad y los AIOps llevan a la empresa a la siguiente generación de productividad: el funcionamiento autónomo de TI. El amplio conjunto de funciones de observabilidad y AIOps reduce la carga operativa de los gestores y el personal, liberándolos para que puedan centrarse en actividades de mayor valor.

Es importante iniciar cuanto antes el camino hacia operaciones más autónomas.