Puntos clave: La integración de IA y aprendizaje automático en DevOps está revolucionando la automatización de cargas de trabajo, lo que conduce a una mayor productividad y fiabilidad. Las empresas que aprovechan estas tecnologías son experimentando ciclos de desarrollo más cortos y un mejor rendimiento de las aplicaciones.
- El 80% de las empresas tienen flujos de trabajo automatizados de aplicaciones en DevOps.
- Se está esperando que la adopción de IA/ML impulse el rendimiento de las aplicaciones y el crecimiento empresarial.
El camino en DevOps comenzó con la idea de eliminar barreras entre Desarrollo y Operaciones. Hoy en día, DevOps ha evolucionado hacia un conjunto de prácticas y herramientas que son automatizar todos los aspectos del desarrollo de aplicaciones, así como cómo operan las aplicaciones en producción. Ahora, las empresas son implementando enfoques avanzados utilizando técnicas de inteligencia artificial (IA) como el aprendizaje automático (ML) para maximizar el valor. En este blog, compartiré algunas investigaciones nuevas de Enterprise Management Associates (EMA) y perspectivas sobre el futuro de la automatización de cargas de trabajo en DevOps. Veremos cómo las empresas son beneficiándose de combinar IA/ML, DevOps y automatización para alcanzar nuevos niveles de productividad, calidad y fiabilidad.
En sus inicios, la parte de Desarrollo de DevOps recibió la mayor parte del protagonismo, con importantes inversiones realizadas en integración continua/desarrollo continuo (CI/CD) y automatización de infraestructuras. En los últimos cinco años, el lado de Operaciones ha recibido el protagonismo que merece, y la aparición de la automatización de cargas de trabajo como parte de las prácticas DevOps está especialmente destacable. Esta práctica implica automatizar y orquestar flujos de trabajo complejos e interdependientes de aplicaciones y Pipelines de datos para ofrecer servicios empresariales críticos en producción. De hecho, una nueva investigación de Enterprise Management Associates (EMA) revela que el 80 por ciento de las empresas han integrado la automatización de flujos de trabajo de aplicaciones en sus procesos DevOps en lugar de abordarla de forma ad hoc al final de un ciclo de lanzamiento.
Si te son entre el 80 % de empresas que ya han integrado la automatización de cargas de trabajo de aplicaciones y datos en tus iniciativas DevOps, no te necesito que explique los beneficios. Los resultados son claros. Incorporar la automatización de cargas de trabajo en aplicaciones, Pipelines de datos y servicios empresariales cuando ya son creados ha ayudado a muchas organizaciones a Reduce sus ciclos de desarrollo y el tiempo de producción, aumentar la fiabilidad y el rendimiento, y liberar tiempo que puede dedicarse a crear nuevas capacidades digitales de negocio en lugar de mantener activos existentes. Ahora estamos aprendiendo —por experiencia y nuevas investigaciones— que esos beneficios pueden potenciarse mediante la automatización DevOps de próxima generación que incorpore IA/ML en el proceso.
Empecemos Comienza analizando el estado actual de la automatización de cargas de trabajo en DevOps, que en sí mismo es bastante emocionante. Hoy en día, el 73 por ciento de las empresas suis automatizando flujos de trabajo mientras se desarrollan son aplicaciones, según el reciente estudio de EMA. Esto se está conociendo a menudo como Jobs-as-Code. La automatización de flujos de trabajo de aplicaciones y Pipelines de datos, tratando los trabajos como código, se ha convertido en una práctica habitual en solo unos pocos años. Esto es un testimonio del valor probado que aporta y de lo fácil que está adaptándose. Jobs-as-Code están una práctica pionera de Control-M de BMC. Muchos de sus primeros adoptantes, como Carfax, fueron fundamentales para demostrar su valor en el mercado.
"DevOps está parte de nuestra cultura y lleva mucho tiempo ya. Somos una empresa muy time-to-market, realmente no te puedes permitirte esperar. Antes se tardaban semanas o meses en Obtén un proceso por desarrollo y hasta producción. A medida que hemos pasado más a la filosofía Jobs-as-Code, DevOps y abierta, hemos reducido mucho ese plazo. De hecho, podemos bajar a minutos." Robert Stinnett, Carfax
¿Cómo seguirá evolucionando la automatización DevOps? Se volverá más inteligente, con la ayuda de IA/ML. Aunque integrar la automatización de aplicaciones y canales de datos en el proceso DevOps puede haber sido un gran salto para muchas organizaciones, la introducción de IA/ML debería ser más bien una serie de pasos incrementales. Los principales productos actuales de automatización de cargas de trabajo ofrecen automatización basada en políticas, donde los ingenieros de automatización pueden establecer reglas basadas en análisis a partir de los propios metadatos de la herramienta de automatización de cargas de trabajo.
Por ejemplo, una política para tiempos de procesamiento pico donde la utilización de cómputo supera un umbral tendría que el producto de automatización de carga de trabajo se interfiriera con una solución de automatización de infraestructura para provisionar capacidad adicional de cómputo y procesos allí, y luego terminar los recursos provisionados cuando el procesamiento están completo. La evolución natural de esto será que las soluciones de automatización de cargas de trabajo tengan algoritmos de IA/ML integrados que puedan autoaprender tales patrones y luego recomendar acciones correctivas, lo que acercará al sistema a un concepto autogestionado.
¿Suena demasiado futurista? Ni para nosotros, ni para EMA. El analista Steve Hendrick escribió: "El aprendizaje automático impulsará mejoras en la calidad, lo que generará beneficios amplios en rendimiento de aplicaciones, fiabilidad, eficiencias OpEx, ahorro de costes y satisfacción del cliente. La IA seguirá como una segunda ola de innovación basada en el aprendizaje automático que Permite una automatización expansiva. Esta automatización puede suponer una mayor velocidad en la entrega y actualización de nuevas aplicaciones, y una mayor productividad de los empleados, todo lo cual Reduce el tiempo de ciclo del SDLC y deja más tiempo para abordar trabajos de desarrollo de orden superior."
La mayoría de los profesionales de operaciones de TI encuestados por EMA creen que introducir IA/ML en DevOps mejorará el rendimiento de las aplicaciones, la innovación y el diseño, así como el crecimiento general de los ingresos empresariales. Muchos desarrolladores están de acuerdo, y la mayoría cree que la IA/ML acelerará la entrega de nuevas aplicaciones. Ambos grupos citaron muchos otros beneficios esperados.
Sin embargo, el mercado aún no está del todo a ese nivel. Aunque muchas empresas han dado alta prioridad al uso de inteligencia artificial y aprendizaje automático, quienes son exploran su utiliza para la automatización de cargas de trabajo en DevOps son enfrentándose a algunos obstáculos. Por supuesto, son los sospechosos evidentes que suelen limitar la innovación: dificultades para establecer estrategias y encontrar personal cualificado. Pero la investigación de EMA también encontró que, según desarrolladores y personal de operaciones de TI, un desafío específico para automatizar aún más DevOps es encontrar herramientas con capacidad de IA/ML e integrarlas en la cadena de herramientas y procesos. Espera que futuras versiones de soluciones de automatización de cargas de trabajo tengan más características tecnológicas cognitivas integradas para responder a estas necesidades.
En resumen, el mercado de automatización de cargas de trabajo de aplicaciones y pipelines de datos está evolucionando continuamente para satisfacer las necesidades empresariales, y Control-M ha estado a la vanguardia. El actual deseo de inteligencia artificial y aprendizaje automático ofrece una pista sobre hacia dónde puede ir el mercado a continuación. Permanece atento y, hasta entonces, visita la web de Control-M para explorar otros informes de investigación de analistas, conocer el enfoque Jobs-as-Code y Ve testimonios de clientes que han llevado la automatización de cargas de trabajo a DevOps.
- Lee el informe completo de EMA – IA y ML: impulsando la próxima generación en DevOps y automatización de cargas de trabajo
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.