Search
Generic filters
Exact matches only
Search in title
Search in content
Search in excerpt

Las 3 claves de Machine Learning para operaciones

A medida que los conjuntos de datos recopilados por las organizaciones aumentan en tamaño y complejidad, es imposible analizarlos manualmente. Aunque las empresas pueden crear algunos gráficos de rendimiento de sus sistemas, es altamente complejo identificar comportamientos y anomalías inusuales en todos sus datos en tiempo real. Machine Learning llegó para resolverlo.

A medida que los conjuntos de datos recopilados por las organizaciones aumentan en tamaño y complejidad, se vuelve poco práctico detectar manualmente problemas de infraestructura, intrusos o problemas empresariales. 

Simplemente, no hay suficientes recursos humanos disponibles en las empresas para observar cada métrica potencialmente interesante durante todo el día. Aunque es posible crear algunos gráficos que muestren el rendimiento de los sistemas, es casi imposible identificar comportamientos y anomalías inusuales en todos los datos en tiempo real. Y debido a que los negocios son globales, esta es una responsabilidad 24/7 para los equipos de TI, que necesitan visibilidad de estas operaciones en todo momento. 

Es por eso que muchas empresas requieren un partner para ayudar a identificar anomalías y valores atípicos en el gran ecosistema de su negocio. A través de servicios de Monitoreo Predictivo y la tecnología de MLOps, las empresas tienen la capacidad de monitorear y resolver problemas operativos, mejorar sus sistemas de ciberseguridad, detectar fraudes y mucho más. 

Si busca sacar el máximo partido a los servicios de Monitoreo Predictivo, ponga atención a estos factores clave.

  • La necesidad de eliminar falsos positivos 

Dada la variedad de elementos que generan diariamente una gran cantidad de datos, es necesario contar con el monitoreo de todas las variables a través de los 4 grandes grupos de monitoreo y realizar mapas de dependencias de los procesos de negocio, para así correlacionar de manera efectiva y eliminar los falsos positivos. Con esto es posible mejorar el aprendizaje de los algoritmos no supervisados y ser más precisos en la predicción de anomalías. 

  • La dependencia de los científicos de datos 

Muchas organizaciones han recurrido a equipos de científicos de datos, un recurso costoso y escaso, para abordar todas estas problemáticas. Aunque los equipos de ciencia de datos pueden aliviar parte de la carga pesada, normalmente analizan manualmente los datos históricos en un modo de análisis por grupos sin conexión, y con soluciones personalizadas que solo son aplicables a los datos limitados que están examinando. Es por eso que, con los algoritmos no supervisados, especializados para las operaciones TI, es posible independizarse de los científicos de datos y aprovechar las ventajas de la tecnología de MLOps. 

  • Concéntrese en sus necesidades 

Impulsado por aplicaciones futuristas para datos de máquinas (vehículos autónomos y redes inteligentes), el aprendizaje automático se ha convertido en una de las palabras de moda en la suite C. Pero hay una gran brecha entre esos conceptos y la realidad de lo que es posible a corto plazo. Evite caer en la trampa de pensar demasiado en grande y crear un listón muy alto para entrar por usted mismo. Lo perfecto es enemigo de lo bueno. 

Las empresas están ingiriendo enormes cantidades de flujos de datos en línea, y eso por sí solo puede sentirse como un logro importante. Pero el volumen de datos no es el final. La verdadera pregunta es: ¿Y ahora qué? 

Haga que sea una prioridad obtener visibilidad de esos flujos de datos; de lo contrario, ninguno de esos trabajos que ingieren datos importa. Pregúntese cuál es el caso de uso. El caso de uso inicial no debe ser algo masivo como la ciberseguridad. En su lugar, para centrarse en el caso de uso apropiado, cuestiónese: “¿Cuál es el valor de todos esos datos para el negocio? ¿Qué podríamos aprender de él?”

Tomemos por ejemplo los registros de eventos de Windows. Un caso de uso viable va más allá de simplemente responder: “¿Qué está pasando con estas máquinas?” El valor real viene con la capacidad de detectar el comportamiento anómalo del usuario, e identificar lo que está sucediendo, cuándo y dónde. Solo con esta visión más profunda puede crear, paso a paso, la base para administrar mejor las operaciones, identificar las ciberamenazas y reducir el fraude. Y con el tiempo, estar en la posición de perseguir aspiraciones cada vez más grandes.

Por Jaime Castro, Service & Solution Sales Specialist de ANIDA. 

Compartir en

Share on facebook
Facebook
Share on linkedin
LinkedIn
Share on whatsapp
WhatsApp

Post Relacionados