Por qué AIops puede ser necesario para el futuro de la ingeniería
¿No pudiste asistir a Transform 2022? ¡Vea todas las sesiones de la cumbre en nuestra biblioteca a pedido ahora! Mira aquí.
El aprendizaje automático ha cruzado el abismo. En 2020, McKinsey descubrió que de 2395 empresas encuestadas, el 50 % tenía una inversión continua en aprendizaje automático. Para 2030, se espera que el aprendizaje automático genere alrededor de 13 billones de dólares. En poco tiempo, una buena comprensión del aprendizaje automático (ML) será un requisito central en cualquier estrategia técnica.
La pregunta es, ¿qué papel jugará la inteligencia artificial (IA) en la ingeniería? ¿Cómo se verá afectado el futuro de la creación e implementación de código por la llegada de ML? Aquí explicaremos por qué ML se está convirtiendo en una parte central del desarrollo continuo de ingeniería de software.
La creciente tasa de cambio en el desarrollo de softwareLas empresas están acelerando su ritmo de cambio. Las implementaciones de software solían ser anuales o semestrales. Hoy, dos tercios de las empresas encuestadas implementan al menos una vez al mes, y el 26 % de las empresas implementan varias veces al día. Esta tasa de cambio creciente muestra que la industria está acelerando su ritmo de cambio para satisfacer la demanda.
Si seguimos esta tendencia, casi todas las empresas necesitarán implementar cambios varias veces al día si quieren mantenerse al día con las demandas cambiantes del mercado de software moderno. Escalar esta tasa de cambio es difícil. A medida que aceleramos aún más, necesitaremos encontrar nuevas formas de optimizar la forma en que trabajamos, abordar las incógnitas y mover la ingeniería de software hacia el futuro.
Introduzca el aprendizaje automático y IAopsLa comunidad de ingeniería de software comprende la sobrecarga operativa de ejecutar una arquitectura de microservicios compleja. Los ingenieros suelen pasar el 23 % de su tiempo lidiando con desafíos operativos. ¿Cómo podría AIops reducir este número y liberar tiempo para que los ingenieros vuelvan a codificar?
Usa AIops para tus alertas detectando anomalíasUn desafío común en las organizaciones es detectar anomalías. Los resultados anormales son aquellos que no coinciden con el resto del conjunto de datos. El desafío es simple: ¿cómo definir las anomalías? Algunos conjuntos de datos contienen datos extensos y variados, mientras que otros son muy uniformes. Se convierte en un problema estadístico complejo categorizar y detectar un cambio repentino en estos datos.
Detectar anomalías mediante el aprendizaje automáticoLa detección de anomalías es una técnica de aprendizaje automático que utiliza los poderes de reconocimiento de patrones de un algoritmo basado en IA para encontrar valores atípicos en sus datos. Es increíblemente poderoso para los desafíos operativos en los que, por lo general, los operadores humanos tendrían que filtrar el ruido para encontrar los conocimientos procesables enterrados en los datos.
Esta información es convincente, ya que su enfoque de inteligencia artificial para las alertas puede generar problemas que nunca antes había visto. Con las alertas tradicionales, normalmente necesitará anticipar los incidentes que espera que ocurran y crear reglas para sus alertas. Estos pueden llamarse sus conocidos conocidos o sus conocidos desconocidos. Incidentes de los que está al tanto o puntos ciegos en su monitoreo que cubre por si acaso. Pero ¿qué pasa con tu
¿No pudiste asistir a Transform 2022? ¡Vea todas las sesiones de la cumbre en nuestra biblioteca a pedido ahora! Mira aquí.
El aprendizaje automático ha cruzado el abismo. En 2020, McKinsey descubrió que de 2395 empresas encuestadas, el 50 % tenía una inversión continua en aprendizaje automático. Para 2030, se espera que el aprendizaje automático genere alrededor de 13 billones de dólares. En poco tiempo, una buena comprensión del aprendizaje automático (ML) será un requisito central en cualquier estrategia técnica.
La pregunta es, ¿qué papel jugará la inteligencia artificial (IA) en la ingeniería? ¿Cómo se verá afectado el futuro de la creación e implementación de código por la llegada de ML? Aquí explicaremos por qué ML se está convirtiendo en una parte central del desarrollo continuo de ingeniería de software.
La creciente tasa de cambio en el desarrollo de softwareLas empresas están acelerando su ritmo de cambio. Las implementaciones de software solían ser anuales o semestrales. Hoy, dos tercios de las empresas encuestadas implementan al menos una vez al mes, y el 26 % de las empresas implementan varias veces al día. Esta tasa de cambio creciente muestra que la industria está acelerando su ritmo de cambio para satisfacer la demanda.
Si seguimos esta tendencia, casi todas las empresas necesitarán implementar cambios varias veces al día si quieren mantenerse al día con las demandas cambiantes del mercado de software moderno. Escalar esta tasa de cambio es difícil. A medida que aceleramos aún más, necesitaremos encontrar nuevas formas de optimizar la forma en que trabajamos, abordar las incógnitas y mover la ingeniería de software hacia el futuro.
Introduzca el aprendizaje automático y IAopsLa comunidad de ingeniería de software comprende la sobrecarga operativa de ejecutar una arquitectura de microservicios compleja. Los ingenieros suelen pasar el 23 % de su tiempo lidiando con desafíos operativos. ¿Cómo podría AIops reducir este número y liberar tiempo para que los ingenieros vuelvan a codificar?
Usa AIops para tus alertas detectando anomalíasUn desafío común en las organizaciones es detectar anomalías. Los resultados anormales son aquellos que no coinciden con el resto del conjunto de datos. El desafío es simple: ¿cómo definir las anomalías? Algunos conjuntos de datos contienen datos extensos y variados, mientras que otros son muy uniformes. Se convierte en un problema estadístico complejo categorizar y detectar un cambio repentino en estos datos.
Detectar anomalías mediante el aprendizaje automáticoLa detección de anomalías es una técnica de aprendizaje automático que utiliza los poderes de reconocimiento de patrones de un algoritmo basado en IA para encontrar valores atípicos en sus datos. Es increíblemente poderoso para los desafíos operativos en los que, por lo general, los operadores humanos tendrían que filtrar el ruido para encontrar los conocimientos procesables enterrados en los datos.
Esta información es convincente, ya que su enfoque de inteligencia artificial para las alertas puede generar problemas que nunca antes había visto. Con las alertas tradicionales, normalmente necesitará anticipar los incidentes que espera que ocurran y crear reglas para sus alertas. Estos pueden llamarse sus conocidos conocidos o sus conocidos desconocidos. Incidentes de los que está al tanto o puntos ciegos en su monitoreo que cubre por si acaso. Pero ¿qué pasa con tu
What's Your Reaction?
