En los últimos años no hemos dejado de escuchar el concepto DevOps y, en general, la palabra “Ops” relacionada con diferentes campos.
03 Oct 2021
De hecho, mientras que DevOps nacía hacia el año 2000, conceptos como DataOps son mucho más recientes y han comenzado a escucharse apenas hace un año, ante la mayor importancia que están cobrando los datos dentro de las organizaciones. Entre uno y otro, encontramos otros términos como MLOps, ModelOps o AIOps, pero puede que aún no tengamos del todo claro de dónde vienen estos conceptos, a qué se refieren y si realmente son eficaces. ¿Se trata de una simple moda o tendencia o tienen realmente sentido para las compañías?
Los impulsores del DataOps
Operacionalizar o automatizar las tareas relacionadas con el dato, así como los desarrollos que tienen que ver con el dato es cada vez más crítico y diferencial para las empresas y, por tanto, para compañías como VASS con el objetivo de ofrecer las mejores soluciones para cada cliente. A día de hoy existen numerosos retos en la gestión del dato y la oferta de soluciones para los clientes:
- Dificultad de encontrar perfiles que cumplan con todas las tareas que los datos necesitan para ser tratados.
- Inmediatez que requiere el mercado a la hora de aportar soluciones.
- Clientes cada vez más exigentes en cuanto a los costes.
- Un ecosistema tecnológico con una evolución vertiginosa, en el que cada día se proponen nuevas y mejores soluciones.
Todo esto crea un cóctel perfecto que nos empuja a pensar en cómo operar, cómo “hacer Ops”, cómo robotizar en las diferentes soluciones y cómo aportar el valor que nos identifique como la mejor opción.
Desde DevOps hasta DataOps
Con DevOps se introdujo la automatización de las operaciones, pero lo cierto es que incluso previamente a esto ya se introducía la operacionalización en la gestión de los datos. Y esto podemos verlo de forma clara, ¿quién no ha hecho alguna vez una macro para automatizar tareas recurrentes? La gestión de las operaciones relacionadas con el software ha estado siempre presente, pero ahora existe la necesidad de acelerar, de llegar cuanto antes, y por eso requiere de mayor atención y desarrollo.
Si pensamos en el nacimiento de DevOps, vemos como trataba de unir dos mundos aparentemente muy diferentes: el desarrollo y la gestión de sistemas. Y a pesar de la complejidad, fue posible integrar ambos escenarios creando un matrimonio que ya es difícil de separar. A día de hoy, ningún equipo de desarrollo se plantea trabajar sin un repositorio de código común o una herramienta de despliegue automático, lo que deja clara la consolidación de DevOps como metodología de trabajo.
Por tanto, viendo el éxito y los beneficios que ha aportado DevOps y teniendo en cuenta la visión continua de mejora en todos los aspectos relacionados con los datos, surge de manera natural la cuestión de por qué no operacionalizar también el resto de tareas que se realizan alrededor de los datos. Y es aquí donde aparecen nuevos conceptos como MLOps, AIOps y, más recientemente, DataOps, que recoge toda esta operacionalización relacionada con los datos.
Entonces, ¿qué es exactamente DataOps? ¿En qué se diferencia de DevOps?
Mientras que DevOps ponía el foco en la tecnología, DataOps se centra, como su nombre indica, en los datos y en el valor que de ellos se extrae, más allá de la capa tecnológica sobre la que se apoyen.
Así, podríamos definir DataOps como un framework metodológico que recoge todas las operaciones realizadas con los datos desde que son capturados hasta que son tratados y aportan, por tanto, una visión final sobre su contenido. Aquí, el desafío de DataOps es agilizar la entrega y la disponibilización de la información para hacerlo con la mayor rapidez y mejor calidad posible. Todo esto permitirá, finalmente, contribuir a la toma de decisiones de cara al futuro y, por tanto, afectará de manera estratégica a las compañías.
De hecho, mientras que DevOps nacía hacia el año 2000, conceptos como DataOps son mucho más recientes y han comenzado a escucharse apenas hace un año, ante la mayor importancia que están cobrando los datos dentro de las organizaciones.
Distintos procesos, diferentes modelos. MLOps, ModelOps y AIOps
Más allá de los procesos de DataOps comentados, centrados en el tratamiento automatizado de la información, encontramos otros conceptos también muy relevantes y que serán, en un fututo, muy importancia dentro de las compañías:
- MLOps: este concepto se refiere a la operación de los modelos de Machine Learning, centrándose en cubrir la distancia entre los Data Scientists y los equipos de operaciones (IT). Así, se trata de automatizar todo el ciclo de vida que conlleva poner en producción un modelo de Machine Learning: despliegue automático de software, monitorización del proceso, gestión de recursos, configuración de los modelos, testeo de modelos, evaluación de resultados y gestión de errores.
- ModelOps: se refiere a un gran conjunto de procesos de MLOps, que permite operacionalizar y poner en producción a gran escala todos los modelos de Inteligencia Artificial. Es decir, que cubre el ciclo de vida de todas las operaciones tanto de Machine Learning como de Inteligencia artificial.
- AIOps: como podemos intuir, en este caso el modelo hace referencia a los procesos de Inteligencia Artificial, junto con la analítica avanzada utilizados en las áreas de IT. Estos les permiten adelantarse en la detección de problemas dentro de las áreas de infraestructuras tecnológicas. Aunque este concepto se encuentra algo más alejado de los anteriores por no hacer referencia directa a los datos, también es muy importante conocerlo para no confundirlo con otros términos.
Un vistazo al futuro: ¿cuáles son los mayores retos en DataOps?
Como hemos dicho, DataOps es un concepto reciente que nace dando respuesta a las necesidades del entorno, y por tanto quedan algunos retos que habrá que cubrir para alcanzar las mejores soluciones como son:
- La recopilación de los datos de mayor calidad tanto desde el punto de vista técnica como funcional.
- El tratamiento con las mejores soluciones posibles y de manera sencilla.
- La manera de compartir datos a terceros y utilizar datos de esos terceros.
- La consecución de una mayor inmediatez en el tratamiento.
- El moldeado de las operaciones para que sean tratadas por personas sin necesidad de que estas posean altos conocimientos o capacidades matemáticas y/o estadísticas.
- La búsqueda de una simbiosis entre las personas que tratan los datos para obtener valor, las herramientas con que se tratan y el valor del dato.
DataOps debe de responder poco a poco a estos retos y necesidades para aportar un valor real a las organizaciones, convirtiéndose ya no en una tendencia sino en modelos consolidados que den lugar a una nueva manera de hacer las cosas y de entender los datos, aportando cada vez un mayor valor.