Más allá de las RFP y los chatbots: cómo la IA está optimizando la infraestructura y las operaciones de TI

Hoy en día, la mayoría de las grandes noticias en inteligencia artificial (IA) giran en torno al desarrollo de nuevas y vanguardistas aplicaciones de IA generativa (IA gen). Desde ayudar a los estudiantes a escribir trabajos hasta completar solicitudes de propuestas en segundos y preparar (mal) casos legales, sus éxitos y fracasos han sido bien documentados.

Pero, ¿qué pasa con las tareas más prosaicas? Algunas organizaciones están experimentando con la implementación de la IA para automatizar aspectos de la infraestructura y las operaciones de TI, lo que permite dedicar valiosos conocimientos humanos a otros lugares.

"La IA generativa es fundamental para que muchas empresas modernas creen nuevos productos digitales para ganar dinero", afirma Richard Warrick, director de investigación global del IBM Institute for Business Value. "Pero, ¿y si la misma tecnología pudiera cambiar radicalmente los procesos empresariales necesarios para diseñar, implementar, gestionar y observar esas aplicaciones?"

Desde la automatización de procesos que consumen muchos recursos, como el aprovisionamiento de centros de datos y DevOps, hasta la sustitución del personal de seguridad in situ, así es como la automatización inteligente de IA está transformando la infraestructura y las operaciones de TI. 

Cuando la IA se exploró por primera vez con fines empresariales, su capacidad para automatizar tareas repetitivas que antes requerían la entrada humana se consideraba su aplicación más valiosa. Con el auge de la IA generativa y sus muchas capacidades, esa noción ahora parece pintoresca; pero aunque la naturaleza de las tareas que la IA puede automatizar puede haber cambiado, el valor fundamental de la automatización en sí no lo ha hecho.

Según un estudio reciente de IBV, el 80 % de los ejecutivos automatizarán sus operaciones de redes de TI en los próximos tres años, mientras que el 76 % aplicarán las mismas habilidades de IA a las operaciones de TI durante ese período.

"Los flujos de trabajo con IA y las herramientas de automatización de TI están ayudando a los líderes empresariales a encontrar ventajas competitivas, en términos de rendimiento, que antes se les escapaban", afirma Warrick.

Hace diez años, la IA se utilizaba para ejecutar procesos simples basados en reglas, una habilidad conocida como automatización basada en reglas. Ejemplos de las primeras IA basadas en reglas son el funcionamiento de brazos robóticos y las líneas de montaje de fábricas. Aunque las herramientas de IA basadas en reglas eran eficaces en determinadas áreas, carecían de la flexibilidad y escalabilidad necesarias para aplicarlas a problemas empresariales más amplios. Los sistemas basados en reglas se basaban en conjuntos de reglas predefinidas y, a medida que aumentaba la complejidad de las tareas que debían realizar, también lo hacía el número de reglas necesarias para que los sistemas funcionaran, lo que acababa creando sistemas que no eran escalables.

En la década de 1990, los científicos comenzaron a desarrollar programas informáticos que podían "aprender" a sacar conclusiones de manera similar al cerebro humano utilizando grandes cantidades de datos. Esta rama de la IA, conocida como machine learning (ML), permitió a la tecnología abordar tareas cada vez más complejas, como el reconocimiento de voz y escritura a mano, juegos complejos e incluso la capacidad de ayudar en diagnósticos médicos.

El deep learning, un subconjunto del machine learning que ganó popularidad en la década de 2010, llevó el nivel de complejidad que los sistemas de IA podían gestionar a niveles completamente nuevos. Entrenándose en redes neuronales multicapa, los programas de deep learning simularon las formas complejas y matizadas en las que los cerebros humanos tomaban decisiones, haciendo posible que la IA creara aplicaciones, interpretara imágenes y vídeos e incluso respondiera a instrucciones de voz y texto como lo hacen los humanos.

Hoy, gracias al ML y al deep learning, la automatización de la IA ha evolucionado desde procesos simples basados en reglas a modelos ricos y sofisticados entrenados en conjunto de datos que pueden realizar muchas de las mismas tareas que sus contrapartes humanas. Esta nueva ola de herramientas de IA, conocida como "automatización inteligente", está ayudando a las organizaciones a mejorar su infraestructura y operaciones de TI mediante la optimización de las operaciones comerciales, el análisis de datos y la resolución de problemas complejos que antes requerían atención humana.

Las empresas modernas necesitan que sus mentes más brillantes y centradas en la tecnología se concentren en iniciativas que tengan el potencial de ofrecer el mayor valor empresarial, y en este momento, eso significa desarrollar aplicaciones de IA generativa. Según otro estudio del IBV, el 64 % de los CEO afirmaron sentir la presión de inversores, acreedores y prestamistas para acelerar la adopción de la IA generativa, y más de la mitad dijeron sentir la misma presión por parte de sus empleados. 

Pero las aplicaciones de IA generativa requieren el apoyo de una infraestructura compleja para facilitar la recopilación, el procesamiento y el almacenamiento seguro de volúmenes masivos de datos. Antes, esa responsabilidad recaía en los equipos de directores de TI, ingenieros y científicos de datos, pero ¿y si pudiera lograrla la IA?

La automatización inteligente de IA aprovecha el poder de habilidades especializadas como la visión artificial, el procesamiento del lenguaje natural (PLN) y otras tecnologías de IA avanzadas para resolver problemas comerciales altamente complejos. Los modelos de IA entrenados en conjuntos de datos masivos mediante el machine learning (ML) y el deep learning pueden analizar datos de aplicaciones y sistemas, identificar rápidamente patrones y ajustar los Recursos y procesos en consecuencia antes de que ocurran problemas.

La visión artificial es una IA que interpreta imágenes y vídeos como el cerebro humano. Los modelos de IA utilizan ML y deep learning para analizar datos repetidamente, identificando finalmente diferencias relevantes en imágenes y vídeos. Por ejemplo, un modelo de IA que se entrena para proteger una casa necesitaría entrenarse con miles de horas de material de archivo de seguridad para que pudiera aprender a reconocer a un posible intruso.

En la infraestructura de TI, la visión artificial se utiliza para una variedad de tareas que antes requerían la entrada humana, como el mantenimiento predictivo, la supervisión del sistema, el procesamiento del flujo de datos y más:

• Mantenimiento predictivo: los sistemas de visión artificial especialmente entrenados utilizan algoritmos de reconocimiento de imágenes para detectar problemas en componentes físicos como cables y servidores antes de que provoquen un tiempo de inactividad de la red.

• Supervisión del sistema: la visión artificial puede analizar con precisión grandes cantidades de datos de diversas fuentes mucho más rápido que una persona. Examinar los ángulos de cámara de los túneles del metro, las autopistas y los edificios llevaría horas a un ser humano, pero un sistema de visión artificial puede hacerlo en tiempo real.

• Procesamiento de flujos de datos: los sistemas de visión artificial procesan y analizan enormes cantidades de datos proporcionados por sensores físicos que rastrean métricas clave como la temperatura, la humedad, la velocidad del aire y más. Confiar en la visión artificial para detectar cambios repentinos en las condiciones suele alertar a las organizaciones de un problema inmediatamente.

El procesamiento del lenguaje natural (PLN) es un campo de la IA que se centra en cómo se puede entrenar a los ordenadores para que comprendan y se comuniquen utilizando el lenguaje humano. El PLN ayuda a los sistemas a reconocer y comprender el habla humana y a generar texto en respuesta a las instrucciones.

Recientemente, el PLN fue crítico en el desarrollo y lanzamiento de ChatGPT, un chatbot innovador que puede comprender y generar texto similar al humano en respuesta a preguntas e instrucciones.

En la infraestructura y las operaciones de TI, el PNL ayuda a las organizaciones con una variedad de tareas que antes requerían la entrada humana, como la mejora de la experiencia del usuario, la resolución de incidencias y el análisis de sentimientos:

• Experiencia del usuario: el PLN permite a los usuarios hacer preguntas sobre problemas complejos de TI de la misma manera que hablarían con un representante del servicio de atención al cliente y recibir respuestas útiles. Los chatbots formados con grandes cantidades de conocimientos técnicos y equipados con habilidades de PLN pueden sustituir a los representantes del servicio de atención al cliente con años de conocimientos técnicos adquiridos.

• Resolución de billetes: los sistemas de PNL de IA pueden analizar los billetes entrantes y priorizarlos y clasificarlos con precisión según su importancia y tipo. Los sistemas de IA pueden incluso entrenarse para resolver los problemas por sí mismos, solicitar la intervención humana cuando sea necesario o tomar otras medidas adecuadas.

• Análisis de sentimientos: los sistemas de PNL pueden realizar análisis de sentimientos sobre el feedback, las encuestas e incluso las publicaciones en las redes sociales, calibrando con precisión las emociones que subyacen a las respuestas e identificando áreas de mejora. Además, los sistemas de PLN pueden ayudar a organizar la información técnica especializada, mejorando la documentación y el intercambio de conocimientos informáticos en toda la organización.

La aplicación de la automatización inteligente de la IA a la infraestructura y las operaciones de TI está transformando la forma en que los gestores de TI supervisan y optimizan sus sistemas y asignan recursos críticos. Estos son cuatro ejemplos de áreas en las que la tecnología está ayudando a transformar los procesos, reducir los costes e identificar conocimiento significativo sobre la actividad principal.

La IA es extremadamente hábil para detectar patrones en los datos, lo que la convierte en la opción perfecta para analizar las enormes cantidades de datos que fluyen a través de los centros de datos empresariales todos los días. Los operadores de centros de datos han comenzado a adoptar la IA para ayudarles a detectar patrones en los datos e identificar oportunidades de automatización y racionalización de procesos, una parte clave para aumentar el retorno de la inversión (ROI) para las iniciativas de transformación digital.

Un área en la que la IA ya está mejorando las operaciones de los centros de datos es en el uso de energía. Los sistemas de IA pueden monitorizar y ajustar dinámicamente los sistemas de refrigeración y gestionar el consumo de energía, lo que ayuda a las empresas a ahorrar millones, en un caso, reduciendo la factura energética de un centro de datos en un 40 %.

La IA se utiliza cada vez más para automatizar aspectos del gobierno de datos, el proceso de mantener la integridad y la seguridad de los datos mientras se recopilan, almacenan y procesan. Con el auge de la IA generativa, las empresas están descubriendo que necesitan recopilar y gestionar muchos más datos que en el pasado. Dado que los datos que necesitan a menudo se recopilan en un lugar y se almacenan y procesan en otro, cumplir con las leyes de cumplimiento aplicables puede ser un desafío. Los sistemas de IA automatizan ciertos aspectos del proceso de cumplimiento, actualizándose en función de las leyes y normativas sin entrada humana, lo que hace que todo el proceso sea más eficiente y seguro.

La IA está desempeñando un papel cada vez más importante en observabilidad, un aspecto de las operaciones de TI que ayuda a las organizaciones a comprender el estado de los sistemas complejos en función de los resultados de esos sistemas. La observabilidad se puede aplicar a una variedad de componentes de infraestructura, incluidos servidores, aplicaciones, dispositivos de red y más.

Los modelos de IA entrenados con fines de observabilidad supervisan los datos de estos sistemas y los analizan para detectar errores e ineficiencias. Mediante el uso de automatización de IA avanzada, algunos sistemas de IA pueden incluso identificar las causas raíz de ciertos problemas y tomar las medidas adecuadas antes de que afecten la disponibilidad, el rendimiento o la seguridad de las aplicaciones.

Además de supervisar el rendimiento y la disponibilidad de los sistemas y las aplicaciones, la IA también está transformando el aprovisionamiento, el proceso de poner los recursos de hardware y software a disposición de los sistemas y los usuarios. Hoy en día, los sistemas avanzados de IA automatizan el aprovisionamiento, ayudando a las empresas a asignar recursos de cloud computing de forma más eficiente para que las máquinas no permanezcan inactivas y el rendimiento general no decaiga. La oportunidad de mercado para la automatización inteligente de la IA en el proceso de aprovisionamiento es significativa: según un informe del sector elaborado por Flexera, más del 32 % del gasto en la nube se desperdicia en un aprovisionamiento deficiente¹.

Los sistemas de IA se están utilizando para mejorar DevOps, un método de desarrollo de software que cierra la brecha entre los programadores y las operaciones de TI. Algunas empresas han utilizado la IA para automatizar las pruebas de software, lo que ha acelerado el desarrollo. Otros han implementado algoritmos de IA para analizar los datos de las canalizaciones y mejorar la asignación de recursos. Otras empresas confían cada vez más en la IA generativa para escribir código, probarlo, identificar errores e incluso sugerir posibles soluciones.

Según Kyle Brown, miembro de IBM, la IA no solo se utiliza para automatizar determinados aspectos de DevOps, sino plataformas enteras. “Hoy en día, es posible implementar una plataforma DevOps de IA común que esté completamente automatizada y basada en la configuración”, afirma. “Sin importar en qué esté trabajando un equipo de desarrollo, si lo construyen en una de estas plataformas, cumplirán con las pautas establecidas por la empresa”. 

Aunque la IA generativa y su potencial para las aplicaciones empresariales aún pueden acaparar la mayoría de los titulares, las organizaciones que aplican la IA a los sistemas y procesos que sustentan las TI están descubriendo nuevas formas de reducir costes y transformar sistemas y procesos obsoletos. Desde la automatización de tareas que consumen muchos recursos, como el aprovisionamiento, el cumplimiento de normativas y las pruebas de software, hasta la supervisión de sistemas complejos en busca de intrusiones y el análisis de conjuntos de datos masivos en tiempo real para obtener información, el potencial de innovación en este ámbito es ilimitado.

Las soluciones de infraestructura de TI y operaciones de IA modernas y las soluciones de AIOps ofrecen un conjunto completo y totalmente integrado de herramientas con IA que automatizan los procesos y ofrecen conocimiento potente sobre el rendimiento y el estado de los sistemas y aplicaciones. "Estas herramientas modernas son una bendición para los equipos de operaciones de TI", afirma Brown. "Tomemos solo un área, la planificación, por ejemplo, y hemos visto que la automatización inteligente de la IA reduce a la mitad el gasto planificado en hardware y recursos adicionales".