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 aplicaciones de IA generativa (gen AI) de vanguardia. Desde ayudar a los estudiantes a escribir documentos hasta completar solicitudes de propuestas en segundos y preparar (deficientemente) casos legales, sus éxitos y fracasos han sido bien documentados.

Pero, ¿qué pasa con las tareas más prosaicas? Algunas organizaciones están experimentando con el despliegue de IA para automatizar aspectos de la infraestructura y las operaciones de TI, lo que permite dedicar la valiosa experiencia humana a otros lugares.

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

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

Cuando la IA se exploró por primera vez con fines comerciales, su capacidad para automatizar tareas repetitivas que anteriormente requerían entrada humana se consideró 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 del IBV, el 80 % de los ejecutivos están automatizando sus operaciones de redes de TI en los próximos 3 años, mientras que el 76 % está aplicando las mismas habilidades de IA a las operaciones de TI durante ese periodo.

“Los flujos de trabajo inteligentes impulsados por IA y las herramientas de automatización de TI están ayudando a los líderes empresariales a encontrar ventajas competitivas, en términos de rendimiento, que antes les estaban eludiendo”, dice 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 la operación de brazos robóticos y las líneas de montaje de fábricas. Si bien las herramientas de IA basadas en reglas eran efectivas en ciertas áreas, carecían de la flexibilidad y escalabilidad para aplicarse a problemas comerciales más amplios. Los sistemas basados en reglas se basaban en conjuntos de reglas predefinidas y, a medida que las tareas que se les pedía realizar crecían en complejidad, también lo hacía la cantidad de reglas necesarias para que los sistemas funcionaran, creando finalmente 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 mediante el uso de grandes cantidades de datos. Esta rama de la IA, conocida como machine learning (ML), permitió que la tecnología abordara 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 aprendizaje profundo, un subconjunto del machine learning que ganó popularidad en la década de 2010, llevó el nivel de complejidad que los sistemas de IA podían manejar a niveles completamente nuevos. Los programas de aprendizaje profundo, que se capacitan en redes neuronales multicapa, simulan las formas complejas y matizadas en que los cerebros humanos toman decisiones, haciendo posible que la IA cree aplicaciones, interprete imágenes y video e incluso responda a instrucciones de voz y texto como lo hacen los humanos.

Hoy en día, gracias al aprendizaje automático (ML) y al aprendizaje profundo, la Automatización de IA ha evolucionado de procesos simples basados en reglas a modelos ricos y sofisticados entrenados en conjuntos de datos masivos 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 al optimizar las operaciones del negocio, analizar datos y resolver 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 directores ejecutivos (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 aprendizaje profundo 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 videos como el cerebro humano. Los modelos de IA utilizan aprendizaje automático (ML) y aprendizaje profundo para analizar datos repetidamente, eventualmente identificando diferencias relevantes en imágenes y videos. Por ejemplo, un modelo de IA que se esté capacitando para proteger una casa necesitaría ser capacitado con miles de horas de grabaciones de seguridad del hogar para poder aprender a reconocer a un posible intruso.

En la infraestructura de TI, la visión artificial se utiliza para una variedad de tareas que anteriormente requerían la entrada humana, incluido mantenimiento predictivo, monitoreo del sistema, procesamiento de flujos de datos y más:

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

• Supervisión de sistemas: La visión por computadora puede analizar con precisión grandes cantidades de datos procedentes de diversas fuentes mucho más rápido que una persona. Examinar los ángulos de cámara de los túneles del metro, las autopistas y los edificios le 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 por computadora procesan y analizan enormes cantidades de datos procedentes de sensores físicos que registran parámetros clave como la temperatura, la humedad, la velocidad del aire, etc. Confiar en la visión por computadora para detectar cambios repentinos en las condiciones suele alertar a las organizaciones de un problema inmediatamente.

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

Recientemente, el NLP 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 infraestructura y operaciones de TI, la NLP ayuda a las organizaciones con una variedad de tareas que antes requerían entrada humana, como mejorar la experiencia del usuario, la resolución de tickets 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 tickets: los sistemas de IA NLP pueden analizar los tickets entrantes y priorizarlos y categorizarlos con precisión por 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 sentimiento sobre el feedback, encuestas e incluso publicaciones en redes sociales, midiendo con precisión las emociones detrás de las respuestas e identificando áreas de mejora. Además, los sistemas de PNL pueden ayudar a organizar información técnica especializada, mejorando la documentación y el intercambio de conocimientos de TI en toda la organización.

La aplicación de la automatización inteligente de IA a la infraestructura y las operaciones de TI está transformando la forma en que los administradores de TI monitorean y optimizan sus sistemas y asignan recursos críticos. A continuación, se presentan cuatro ejemplos de áreas en las que la Tecnología está ayudando a transformar procesos, reducir costos e identificar insight sobre la actividad principal.

La IA es extremadamente experta en detectar patrones en los datos, por lo que es 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 optimización 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 de la gobernanza 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, actualizando en función de las leyes y regulaciones 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 la observabilidad, un aspecto de las operaciones de TI que ayuda a las organizaciones a comprender la condición 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 capacitados con fines de observabilidad monitorean los datos de estos sistemas y los analizan para detectar errores e ineficiencias. Mediante el uso de automatización inteligente avanzada de IA, algunos sistemas de IA pueden incluso identificar las causas principales de ciertos problemas y tomar las medidas adecuadas antes de que afecten la disponibilidad, el rendimiento o la seguridad de las aplicaciones.

Además de monitorear el rendimiento y la disponibilidad del sistema 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 usuarios. Hoy en día, los sistemas avanzados de IA automatizan el aprovisionamiento, ayudando a las empresas a asignar recursos de computación en la nube de manera más eficiente para que las máquinas no permanezcan inactivas y el rendimiento general no disminuya. La oportunidad de mercado para la automatización inteligente de la IA en el proceso de aprovisionamiento es significativa: según un informe de la industria realizado por Flexera, más del 32 % del gasto en la nube se desperdicia en un aprovisionamiento deficiente.¹

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 llevado a un desarrollo más rápido. Otros han desplegado algoritmos de IA para analizar los datos de los pipelines 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 ciertos aspectos de DevOps, sino plataformas enteras. "Hoy en día, se puede implementar una plataforma común de IA DevOps que esté completamente basada en la configuración y automatizada", dice. "No importa en qué esté trabajando un equipo de desarrollo, si lo están construyendo en una de estas plataformas, cumplirán con las pautas establecidas por la empresa". 

Aunque la IA generativa y su potencial para aplicaciones empresariales sigan acaparando la mayoría de los titulares, las organizaciones que aplican la IA a los sistemas y procesos que sustentan la TI están descubriendo nuevas formas de reducir costos 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 insights, el potencial de innovación en este ámbito es ilimitado.

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