10 preguntas clave antes de implementar IA y ML

El monitoreo de información es una tarea compleja, sobre todo si la información proviene de diferentes fuentes y el sistema no puede soportar un analisis eficiente. La solución se encuentrá en la inteligencia artíficial y Machine Learning, pero antes de adoptar estas nuevas tecnologías, en este artículo exploraremos 10 preguntas que debes hacer antes de elegir una herramienta de IA y ML para el monitoreo de tu empresa.

Algunos productos de monitoreo proporcionan una forma de ingresar datos históricos del sistema en sus productos de monitoreo de AI / ML. Tener estos datos históricos del sistema permite entrenar inmediatamente el modelo de IA / ML. Una vez que se analizan estos datos, algunos productos están listos para funcionar y pueden comenzar a identificar anomalías en los sistemas.

Sin embargo, otros productos de monitoreo de AI / ML no tienen una forma de importar (ingerir) datos históricos. Estos productos deben monitorear tus sistemas durante semanas antes de que tengan datos suficientes para detectar anomalías, por lo que retrocederíamos aún más. Algunos productos son solo conjuntos de herramientas, ya que debe seleccionar las métricas individuales y averiguar cómo recopilar las métricas para incluirlas en la herramienta de monitoreo.

Es posible que también debas ajustar la sensibilidad a las métricas que has elegido. No todas las métricas son iguales, algunas son indicadores de problemas mucho mejores que otras. Si seleccionas las métricas incorrectas o la sensibilidad incorrecta, es posible que tu monitor no proporcione ninguna notificación o pueda proporcionar muchas notificaciones falsas positivas.

Las métricas elegidas a menudo tienen relaciones complejas con otras métricas que son útiles al entrenar tu modelo de detección de anomalías. El análisis multivariado (muchas métricas relacionadas) requiere una comprensión de la relación de las métricas relacionadas. El análisis univariado (métrica única) solo analiza una métrica a la vez y es mucho más probable que provoque alertas de falsos positivos. Estas relaciones son la razón por la que el análisis multivariado es más valioso que el análisis univariante. Las métricas relacionadas tienden a moverse en función de su relación cuando ocurre un problema. Encontrar estas relaciones por ti mismo a menudo requiere mucho tiempo y es difícil. El análisis multivariado requiere una gran cantidad de datos situacionales para desarrollar un buen modelo. Idealmente, tu proveedor debería realizar este análisis complejo y proporcionar un modelo con análisis multivariante integrado en el producto.

Una vez que hayas hecho todo eso, creerás que estas monitoreando el nirvana, pero no es así. Debido a que eligiste tus métricas específicas, ahora debes crear tus paneles de control en función de esas métricas. Nuevamente, este es un caso en el que es mucho más fácil trabajar con un producto en el que el proveedor ya realizó la selección de métricas, el análisis multivariado y diseñó una interfaz de usuario para presentar esta información de manera inteligente. Se necesita mucho tiempo para crear cuadros de mando y gráficos y organizarlos de una manera que sea fácil de navegar.

También debes probar para verificar si el modelo está detectando las anomalías esperadas y si es lo suficientemente sensible como para encontrar el problema lo suficientemente temprano como para solucionarlo antes de que provoquen una interrupción. Por lo tanto, cuando un producto afirma tener inteligencia incorporada, debes hacer preguntas para determinar si realmente tienes la inteligencia incorporada que necesitas o si se trata de un experimento científico que necesita mucho trabajo y pruebas para configurarlo correctamente.

Antes de implementar IA y ML

Antes de decidirte a comprar un producto de IA / ML basado en una demostración, ten en cuenta las siguientes preguntas:

    • ¿Admite la importación y el procesamiento de datos históricos para la capacitación, de modo que esté listo para monitorear en días y no en semanas?
    • ¿Tiene que averiguar qué métricas necesita monitorear entre cientos de opciones?
    • ¿El análisis es multivariado o es un análisis univariante simplista que hace un resumen ponderado simple?
    • ¿Las relaciones entre todas las métricas ya se conocen y están definidas en el modelo y están listas para realizar el análisis?
    • ¿Necesitas comenzar a recopilar nuevos datos de métricas que no recopila actualmente e introducirlos en la herramienta?
    • ¿Las sensibilidades de la métrica ya se conocen y se ajustan?
    • ¿Los paneles de control ya están completos y puede profundizar fácilmente en los datos más detallados en los gráficos cuando sea necesario?
    • ¿La interfaz de usuario proporciona un punto de partida obvio para realizar diagnósticos cuando se detecta una anomalía?
    • ¿La interfaz de usuario guía la identificación de problemas o simplemente muestra muchos números y gráficos?
    • ¿Los intervalos de monitoreo son lo suficientemente frecuentes como para no perder las advertencias tempranas de una posible interrupción?

Es importante hacer estas preguntas antes de comprar un producto de monitoreo de AI / ML que requiere más trabajo y más experiencia de lo que tu equipo puede brindar para configurarlo. No puedes pasar por alto la cantidad de tiempo que se necesita para proporcionar alertas útiles en lugar de más ruido para evaluar el éxito del producto.

Comprueba cómo BMC Helix Discovery puede ayudarte a mapear aplicaciones con precisión en cuestión de minutos. BMC Helix Discovery es una solución para administración de la empresa digital que automatiza la detección de activos y el mapeo de dependencias de aplicación para crear una visión holística de todos los activos de centros de datos y las relaciones entre los mismos. Contacta a nuestros expertos y solicita una demostración personalizada para comenzar tu transformación digital.

Consulta la información original en inglés.

Una breve introducción a Patch Management

En este artículo hablamos sobre la importancia de patch management además una guía para una gestión exitosa.

Mejora la experiencia del cliente con TI

En este artículo analizaremos cómo mejorar la estrategia de TI y la experiencia al cliente.

10 preguntas clave antes de implementar IA y ML

En este artículo analizaremos 10 preguntas que debes realizar antes de elegir una herramienta de IA y ML para el monitoreo de tu negocio

Gestión de servicios exitosa con Inteligencia Artificial

En este artículo analizaremos InfoBrief de Gestión de servicios empresariales Making Hypercomplexity Work sobre la hiperconexión.

Reinventarse después de la pandemia con ayuda de TI

En este artículo te contamos como cambiar la forma de trabajo y adaptarse a los nuevos desafío dejados por la pandemia con ayuda de TI.

Cómo iniciar el viaje hacia una Empresa Digital Autónoma

En este artículo te daremos los pasos para convertirte a tu empresa en una Empresa Digital Autónoma con la ayuda de la Hiperautomatización.

Nuevas formas de resolver los problemas de TI con Inteligencia Artificial

En este blog hablamos de las innovaciones de BMC Helix para cumplir con las exigencias tecnológicas actuales con Inteligencia Artificial.

La experiencia de usar Scrum durante la cuarentena

En este blog Arshind Kaur, Scrum Master en Compuware, nos cuenta su experiencia para el manejo del Scrum en mainframe durante la pandemia

Reporte de 451 Research sobre la nueva empresa digital autonoma

En este blog revisaremos los puntos más importantes sobre el reporte de 451 Research sobre el estado de las empresas respecto a la transformación digital

Construyendo una base sólida para el crecimiento profesional

Pam Fitzwater-Johansen, AVP de Ecosistema y Ventas de Productos a Nivel Mundial en BMC cuenta su experiencia que le ayudaron en su crecimiento profesional.