Deep Learning en ITSM y monitorización: detección de anomalías y automatización inteligente

De niño, tenía grabada en VHS La colina de la hamburguesa, una película bélica de Vietnam, y una de mis frustraciones era que los protagonistas nunca veían al enemigo. Todo era selva y, de pronto, la selva se ponía a disparar. Como en IT, donde monitorizas constantemente cada rincón, no parece haber nada y de repente, el fallo, el ataque o el desastre que no viste. Para ayudarnos en esa tarea y distinguir al enemigo que acecha escondido en la jungla, tenemos el deep learning aplicado a monitorización e ITSM.
Con él podemos descubrir patrones invisibles para el ojo humano y reaccionar antes, predecir qué ocurrirá y, en general, ahorrarnos tiempo, disgustos y derrotas en nuestra batalla diaria.
Conscientes de que el enemigo más peligroso es el que no ves y se encuentra agazapado en la espesura de silicio y bits, Pandora FMS y Pandora ITSM usan técnicas de aprendizaje profundo y otras vertientes de inteligencia artificial para detectar anomalías, correlacionar eventos complejos y, en general, anticiparse a posibles emboscadas.
Si no lo estamos usando en nuestro día a día como gestores IT, CISOs o responsables de tecnología, somos el pelotón del sargento Frantz, mirando a todos lados sin detectar muchas amenazas.
Por eso, analizaremos qué es el deep learning aplicado a IT y cómo lo utilizan Pandora FMS y Pandora ITSM en la práctica, para proporcionar el bien más escaso en este trabajo, la paz mental (y la aprobación de dirección por nuestro buen trabajo).

¿Qué es el deep learning y cómo funciona?

El deep learning es una rama del árbol de la inteligencia artificial y la evolución natural del machine learning. El T-1000 del T-800 de Terminator 2, aunque como veremos y como pasa en la película, el T-1000 no siempre será el más adecuado en todos los escenarios.
El funcionamiento del deep learning se basa en redes neuronales profundas que aprenden jerarquías de características: primero patrones simples, luego combinaciones complejas y, por último, representaciones abstractas del sistema.
La clave es que, a diferencia de los modelos tradicionales, el propio modelo decide qué señales importan, de ahí ese aprendizaje más profundo, lo que reduce la dependencia de reglas hechas a mano.
Así, se entrenan modelos multimodales que combinan métricas, texto de tickets, trazas de red y conversaciones… Un mismo modelo puede integrar datos heterogéneos como: histórico de CPU, relaciones entre servicios o lenguaje natural asociado a incidentes.
Usando una combinación de repaso de capas apiladas, funciones de activación y pérdida o pesos, eso permite que, en la práctica, se puedan encontrar patrones ocultos e indetectables mediante métodos tradicionales o percepción humana.
Dentro del aprendizaje profundo conviven diversas arquitecturas especializadas:

• CNN (Convolutional Neural Networks): Aunque se crearon inicialmente para el procesamiento de imágenes y datos espaciales, se usan también extensivamente para analizar series temporales en IT.
• RNN y LSTM (Recurrent Neural Networks / Long Short-Term Memory): Manejan dependencias temporales o secuencias (como texto, que es una secuencia de palabras), eso permite intentar predecir, por ejemplo, cortes o saturación de servicios IT, basándonos en esas series temporales.
• Autoencoders: Un sistema muy ingenioso en mi opinión, ya que «resume» en su esencia mínima (o codifica) entradas que luego decodifica (amplía). Así, aprende la «esencia de la normalidad». Cuando codifica una entrada y, al decodificarla después, esta no sale respecto a esa esencia esperada, implica una anomalía. De esta manera, puede detectar esas anomalías sin necesidad de saber cómo son, simplemente por el hecho de no «encajar» en lo esperado.
• Transformers: la tecnología en la que se basan los omnipresentes y sedientos Grandes Modelos de Lenguaje (LLMs), que ayudan a correlacionar eventos o generar respuestas contextualizadas como en el caso del chatbot de Pandora ITSM.

¿Cómo se diferencia el aprendizaje profundo del machine learning tradicional?

La distinción clave es que el machine learning clásico necesita que un especialista decida qué métricas son clave, lo que se vuelve imposible cuando pasamos de decenas a miles de variables.
El deep learning, en cambio, automatiza ese descubrimiento de lo que importa y aumenta la capacidad de representación, encontrando relaciones no lineales entre métricas, tickets y registros que no estaban explícitas.
Es decir, que puede ver en esa jungla IT lo que los ojos expertos no pueden detectar.
Otra clave diferenciadora es que algunos algoritmos de machine learning tradicional, como árboles de decisión simples, no manejan bien grandes datasets, mientras que un modelo de deep learning mejora cuanto más datos reciba. Eso sí, siempre que los datos sean de calidad, desafío fundamental que veremos más a fondo cuando hablemos de limitaciones de esta tecnología.
¿Significa esto que el machine learning está obsoleto?
En absoluto, como demostró Schwarzenegger (sí, he copiado y pegado el apellido, como todos) contra el T-1000.
Los modelos sencillos siguen siendo idóneos para diagnósticos rápidos o cuando no hay histórico. Por eso, una estrategia ganadora suele ser híbrida:

• Modelos tradicionales para umbrales básicos.
• Deep learning para escenarios multivariante o predictivos.

¿Qué aplicaciones tiene el deep learning en la monitorización IT?

Todo esto suena genial, pero la pregunta es ¿para qué nos sirve en el incendio diario de la gestión IT?
Para no acabar como el pelotón de La colina de la hamburguesa gracias a:

Detección de anomalías en métricas de rendimiento

La detección clásica se basa en umbrales rígidos, pero el aprendizaje profundo construye perfiles dinámicos de lo que es normal en nuestro caso.
Eso permite más flexibilidad y exactitud. De esta manera, Pandora FMS, usando estas técnicas, alerta de manera más precisa, reduciendo ruido y ataques de nervios.

Predicción de fallos y mantenimiento proactivo

Los modelos secuenciales aprenden el ciclo de vida de discos, ventiladores, CPUs o servicios lógicos. Al detectar degradaciones sutiles (como ligeros aumentos de temperatura o caída de IOPS) pronostican posibles ventanas de fallo.
Pandora FMS integra estos pronósticos y la clave no es solamente un Cerebro como el del doctor Xavier en X-Men que localiza lo necesario, sino también la capacidad de proyectar el futuro probable como Nostradamus, pero fallando menos.

Correlación avanzada de eventos en entornos SIEM

Esta es la clave y la enorme ventaja de Pandora SIEM. No solo recoge y muestra millones de datos, sino que une esas piezas para ofrecer la imagen completa del puzzle.
Es decir, transforma información en conocimiento accionable, detectando patrones y emboscadas complejas del enemigo. Y reduce falsos positivos, claro, lo que contribuye a la salud cardíaca, bastante precaria en el gremio.

¿Cómo potencia el deep learning el ITSM y la automatización del soporte?

El aprendizaje profundo multiplica nuestras capacidades de gestión IT con prestaciones como:

Clasificación automática de tickets mediante IA

Como en la sala de urgencias de un hospital, lo primero es un triaje que categorice y priorice tickets, cuanto antes, mejor.
Ahí, el uso de transformers permite comprender la semántica del ticket (que suele ser que algo «se ha roto» y «yo no he tocado nada», según el usuario) asignando prioridades y encargados según la interpretación.

Chatbots para interacción y gestión

El chatbot de Pandora ITSM combina modelos de lenguaje con contexto operacional. Así, permite interactuar con el usuario o ayudar al operador humano en posibles dudas y situaciones.

Análisis de sentimiento y calidad del servicio

La experiencia del usuario final depende también de cómo se siente al interactuar con soporte. Modelos basados en BERT pueden procesar comentarios, encuestas y chats para identificar tendencias.

Casos prácticos y ejemplos reales de aprendizaje profundo aplicado a gestión IT

Sigamos remachando la utilidad del deep learning en IT con casos prácticos en los que esta tecnología permite mayor eficiencia, enfocándonos en nuestro Skynet particular, Pandora FMS.

Caso práctico de gestión IT: Predicción de fallos en servidores y redes

Un proveedor de servicios gestionados recopila dos años de métricas de rendimiento y alteraciones o cortes de servicio. Eso es una mina, pero demasiado profunda para modelos como regresiones sencillas o análisis puramente humano.
Pandora FMS puede integrarlo y correlacionarlo, permitiendo extraer el oro en esa mina, descubriendo patrones que permitan predecir, por ejemplo, posibles interrupciones, alertando de ellas antes de que se produzcan.

Caso práctico de seguridad: Correlación de eventos con Pandora FMS

Si de la gestión pura pasamos a la monitorización de seguridad, el poder del aprendizaje profundo no se basa solamente en la gestión de datos masivos, sino en que sirvan de base para detectar amenazas sofisticadas.
Así, Pandora, aprendiendo de la «normalidad» de la organización que monitoriza y consciente de las últimas técnicas de ataque, puede detectar eventos que, aparentemente, no son sospechosos por separado.
Por ejemplo, supongamos un acceso de usuario a horas extrañas, pero no imposibles, unido a una conexión a servidores no sospechosos en principio, como Google Drive. Pandora está viendo todo eso como Sauron con su Palantir y, de momento, sigue observando. Entonces, hay una ejecución de PowerShell por parte de ese usuario, algo que no corresponde a la normalidad de la organización y que, con el resto de puntos ya vistos, huele a amenaza.
En este escenario, Pandora FMS puede correlacionar esos eventos aislados e «inofensivos» por separado, sospechar una posible intrusión con exfiltración de datos y actuar.
Así, envía una alerta al SOC e incluso puede conectar con el SOAR para que despliegue contramedidas automáticas, como un cierre de la conexión y bloqueo del usuario hasta que dicho SOC investigue.

Caso práctico de gestión IT: Optimización del escalado de servicios de la nube

Imaginemos una empresa de e-commerce que quiere optimizar, tanto el coste del servicio de nube que la provee, como impedir cortes en el mismo por saturación, perdiendo ventas y confianza de los compradores.
En ocasiones, y no solamente durante Black Fridays y similares, ha tenido esos problemas, de manera que instala a Pandora FMS como computadora de su Enterprise particular, recogiendo datos en tiempo real.
Pandora FMS aprende gracias a deep learning y tiene en cuenta, además, los umbrales determinados en la Metaconsola o Command Center (no haberla llamado «Puente de mando» es una oportunidad trekkie perdida).
Así, al poco tiempo, envía una alerta prediciendo que, por ejemplo, en 30-60 minutos el cluster de base de datos alcanzará el 95%, degradando el servicio de catálogo y haciendo que la experiencia de usuario sea un horror demasiado lento.
Como vemos, no solo evita o predice fallos, sino que optimiza, permitiendo que nuestra organización aumente la satisfacción con su servicio y cumpla posibles SLAs (Service Level Agreements) contractuales.

¿Cuáles son los beneficios y desafíos del deep learning en IT?

Los beneficios los hemos visto y las ventajas clave frente a la monitorización tradicional se pueden resumir en:

• Visión holística: Los modelos aprenden relaciones cruzadas entre aplicaciones, redes y usuarios.
• Menos ruido: Al entender el contexto, caen los falsos positivos y la fatiga de alertas.
• Automatización real: Las predicciones activan alertas, clasifican incidentes o se comunican con otras herramientas, como el SOAR, para una actuación óptima, preventiva y proactiva.
• Escalabilidad: Un modelo entrenado se adapta a nuevos servicios sin tener que reconfigurar cientos de umbrales a mano.

Pero claro, nada es perfecto, y el deep learning aún presenta desafíos importantes, como:

• La calidad de los datos. La clave de todo, porque el aprendizaje profundo es tan bueno como aquello de lo que aprende. Por eso, si los datos son mediocres, también lo serán las predicciones y correlaciones.
• Transparencia. Aquí estamos ante el problema de la «caja negra», de modo que, en muchos casos, no sabemos realmente por qué nuestro modelo de aprendizaje profundo ha predicho o concluido algo. Este problema fundamental (con tintes algo aterradores) se trata de mitigar con técnicas XAI de explicabilidad, pero es una característica fundamental de cómo funciona la tecnología y todo un reto. Al fin y al cabo, si lo queremos para que detecte patrones que «escapan a los humanos», es complicado explicar en términos «humanos» cómo lo ha hecho.
• Hardware y datos: Además de esos datos, entrenar modelos requiere GPUs, energía y recursos, que no son infinitos.
• Cambio cultural: si los procesos de trabajo no adoptan las recomendaciones del aprendizaje profundo, todo se queda en bonitos dashboards y recomendaciones que no van a ninguna parte, lo que hace necesaria una gestión del cambio.

¿Cómo integran Pandora FMS y Pandora ITSM la inteligencia basada en deep learning?

Antes de seguir, aclarar que Pandora FMS no solamente emplea deep learning para monitorizar todo desde un único Trono de Hierro. Como hemos comentado, otras técnicas más tradicionales pueden ser tan o más útiles en ciertos escenarios.
Por eso, Pandora FMS también tiene prestaciones como, por ejemplo, de planificación de la capacidad (Capacity planning), que realiza una predicción basada en la ventana de tiempo especificada por el usuario y asumiendo un comportamiento más o menos lineal del módulo objetivo.
Pero en cuanto a optimización de la gestión IT mediante detección de anomalías mediante IA, Pandora usa su motor MADE.
Las grandes cantidades de datos necesarios para entrenarlo son obtenidas de la base de datos de Pandora FMS y MADE mantiene una copia de estos datos en disco, para llevar a cabo tareas de reentrenamiento y remuestreo en formato feather, diseñado para el almacenamiento eficiente de datos.
De esta manera, tenemos lo mejor de ambos mundos para garantizar que usamos la herramienta más adecuada en cada caso.

¿Cuál es el futuro del deep learning en la gestión IT?

Además de lo anterior, Pandora ITSM integra modelos de lenguaje en su labor de asistencia, capaces de responder en lenguaje natural a consultas de usuarios, sugerir artículos y documentar cada intervención.
De la misma forma, se adapta a la manera de operar de cada organización, mediante la posibilidad de crear reglas de trabajo (workflow rules) en lo que se refiere a tickets y soporte.

¿Cuál es el futuro de la IA generativa en IT?

Todos tenemos una opinión sobre la inteligencia artificial y yo también. Pero la realidad es que, pase lo que pase con el juego y sus jugadores, ha venido para quedarse y lo cambia todo.
No usar deep learning en nuestra gestión IT nos pone en desventaja frente a competidores que sí la usan, especialmente, cuando nos enfrentamos a infraestructuras cada vez más complejas y volúmenes de datos clave inmanejables de forma tradicional. Ser un ludita puede resultar atrayente en ocasiones, pero nos creará problemas innecesarios en nuestro trabajo.
No solo eso, frente a actores maliciosos cada vez más sofisticados, que aprovechan esta y otras vertientes de IA para ataques cada vez más complejos, acudiremos a la batalla con una espada de madera si no aprovechamos el poder del aprendizaje profundo.
Mirando hacia adelante, probablemente veremos una convergencia entre deep learning, IA generativa (cuya tecnología base es ese aprendizaje profundo), AIOps con automatización de operaciones y RPA (Robotic Process Automation).
Los modelos no solo señalarán anomalías, sugerirán soluciones, validarán cambios y ejecutarán scripts en entornos híbridos de máquinas y personas trabajando juntas. Como Cyberpunk, pero sin implantes y exento de todo lo atractivo.
La forma concreta de ese futuro nadie la conoce, aunque muchos hablen de ella, pero en Pandora FMS siempre hemos tenido claro que el uso del deep learning es proporcionar a los gestores IT un sable de luz a cambio de la antigua espada de madera.
Eso sí, el aprendizaje profundo no es una bala de plata, ni la llave para todas las puertas, como tratan de vender algunos. Pero sí es la clave para pasar de una monitorización reactiva a una gestión proactiva y más eficiente.
En lugar de apagar fuegos, que es de lo que están hechos los días en IT, la clave es evitarlos gracias a la detección de anomalías, predicciones de fallos y automatización de soporte que proporcionan las herramientas de Pandora.
Y ahora, debo encontrar esa cinta VHS en el desván…

FAQs

Resumamos las cuestiones fundamentales sobre aprendizaje profundo que hemos visto.

¿Qué es el deep learning y cómo se aplica en IT?

Es un enfoque basado en redes neuronales profundas que aprenden representaciones complejas para detectar anomalías, pronosticar demanda o automatizar decisiones de gestión IT.
Pandora FMS e ITSM lo utilizan para levantar el peso pesado de la monitorización, gestión y soporte.

¿Qué ventajas ofrece el deep learning frente al machine learning tradicional?

Mayor capacidad de representación, aprendizaje automático de características y funcionamiento de nuestra infraestructura, así como un mejor rendimiento con grandes volúmenes de datos o trabajo.

¿Cómo mejora el deep learning la detección de anomalías en IT?

Aprendiendo el comportamiento normal de cada servicio, identificando desviaciones mínimas y priorizando alertas según impacto probable. Con eso, reduce el ruido, anticipa problemas y ayuda en las soluciones.

¿Cómo se aplica el aprendizaje profundo en ITSM y automatización del soporte?

Mediante la clasificación inteligente de tickets, chatbots que ayudan a usuarios y técnicos con el soporte, así como posibles análisis de sentimiento y otras características.
Eso multiplica la productividad de los responsables de ayuda y soporte.

¿Qué herramientas y hardware necesita el deep learning en IT?

Datos gobernados de calidad, que son la clave (porque la calidad del output depende de la calidad del input), potencia de computación (GPU local o cloud), así como pipelines MLOps para entrenar o versionar modelos y plataformas que gestionen y usen los resultados para una mejor gestión, como hacen Pandora FMS y Pandora ITSM.