monitorizaci\u00f3n<\/a>, como Pandora FMS, nos hace las cosas muy f\u00e1ciles<\/strong>. Pandora centraliza la recolecci\u00f3n, la facilita (por ejemplo, gracias a la posibilidad de tener esa CMDB configurada en la herramienta) y reduce enormemente tiempos y esfuerzos.<\/p>\nScrub (Limpiar)<\/h3>\n
El proyecto de ciencia de datos ser\u00e1 tan bueno como la calidad de esa materia prima<\/Strong> que hemos recogido en la etapa anterior. Por eso, el siguiente paso es depurar.
\nEsto implica:<\/p>\n\n- Eliminar ruido<\/strong> separando la paja del grano (por ejemplo, logs de depuraci\u00f3n irrelevantes).<\/li>\n
- Corregir valores<\/strong> an\u00f3malos (por ejemplo, m\u00e9tricas que aparecen de una CPU y son superiores al 100%).<\/li>\n<\/ul>\n
Explore (Explorar)<\/h3>\n
Aqu\u00ed es donde empezamos a extraer un conocimiento b\u00e1sico<\/strong> de ese mar de datos, lo que normalmente implica:<\/p>\n\n- Identificar patrones<\/strong> que emergen del conjunto de dichos datos, como por ejemplo, \u00bfa qu\u00e9 hora alcanzan su pico los servidores con un 90% o m\u00e1s de RAM?<\/li>\n
- Visualizar correlaciones<\/strong>, que implica comenzar a entender los motivos de los patrones anteriores. Por ejemplo, \u00bfel aumento de latencia de red que hemos observado coincide con backups programados?<\/li>\n<\/ul>\n
Histogramas, plotting para relaciones entre variables, agrupar datos para detectar patrones… Las t\u00e9cnicas en este paso son variadas y es innegable que la habilidad de los encargados del proyecto marcar\u00e1 una gran diferencia en este paso.<\/p>\n
Model (Modelar)<\/h3>\n
No hemos iniciado el proyecto de ciencia de datos por capricho ni voyeurismo, sino para que nos ayude a gestionar mejor. Especialmente, mediante esa ansiada predicci\u00f3n que ayude a prevenir y optimizar<\/strong>, en lugar de dedicar nuestros d\u00edas a apagar fuegos como pollos sin cabeza.
\nEso implica entrenar algoritmos para predecir escenarios<\/Strong>, estos pueden ser complejos y basados en IA, o m\u00e1s sencillos, como por ejemplo, una regresi\u00f3n que realice un forecast de capacidad necesaria.<\/p>\nInterpret (Interpretar)<\/h3>\n
Todo lo anterior nos dar\u00e1 unos resultados que no se pueden quedar en el caj\u00f3n, sino que debemos convertir en acciones<\/strong> durante este paso.
\nAs\u00ed, por ejemplo, puede que tengamos que a\u00f1adir servidores on-premise para evitar ca\u00eddas o cuellos de botella en la productividad de los empleados. O que tengamos que dimensionar la capacidad del alojamiento online en ciertas \u00e9pocas concretas, por la estacionalidad particular de nuestra actividad.<\/p>\nT\u00e9cnicas y modelos para automatizar procesos IT<\/h2>\n
Los pasos 3 y 4 del modelo anterior de ciclo de vida son los m\u00e1s interesantes en la pr\u00e1ctica, porque nos permiten aplicar t\u00e9cnicas para esa mejora de la gesti\u00f3n IT, que es lo que queremos al fin y al cabo.
\nVeamos esas t\u00e9cnicas con m\u00e1s detalle, con ejemplos de casos de uso reales<\/Strong> de ciencia de datos en IT.<\/p>\nClasificaci\u00f3n<\/h3>\n
La agregaci\u00f3n y an\u00e1lisis de datos puede dar lugar a mucha informaci\u00f3n, pero no toda ser\u00e1 interesante. Pasar de la ceguera a estar inundados de alertas es como escapar de Alien para caer en Predator, y nos causar\u00e1 pronto una fatiga de informaci\u00f3n<\/strong>.
\nPara evitarla es fundamental una clasificaci\u00f3n, priorizando las alertas en Cr\u00edticas, Advertencias, Informativas…<\/strong>
\nEs fundamental saber que hay una posible intrusi\u00f3n e interesante conocer que algo se ha actualizado con \u00e9xito, pero no cada copia que se hace de archivos o cada elemento que hemos sincronizado con la nube.
\nPandora FMS ayuda a aplicar esta t\u00e9cnica, porque permite reducir esa fatiga de alertas con un sistema personalizado<\/Strong> que se adapta a cada infraestructura.<\/p>\nRegresi\u00f3n<\/h3>\n
La regresi\u00f3n se utiliza para predecir ciertos aspectos, como por ejemplo la capacidad de disco. Pandora FMS, dentro de sus prestaciones de Monitorizaci\u00f3n predictiva<\/strong>, puede hacer este capacity planning basado en datos y ayudarnos a aplicar esta t\u00e9cnica.
\nAs\u00ed, asumiendo un comportamiento m\u00e1s o menos lineal, nos permite saber cu\u00e1ntos d\u00edas nos quedan hasta que el disco se llene, o el n\u00famero de peticiones a la base de datos que tendremos dentro de un mes.<\/p>\nClustering<\/h3>\n
Este m\u00e9todo implica la agrupaci\u00f3n de elementos basada en similitudes (webservers, elementos cr\u00edticos como bases de datos…) y permite la monitorizaci\u00f3n de grupos<\/strong>, en lugar de elemento a elemento, adem\u00e1s de pol\u00edticas de gesti\u00f3n homog\u00e9neas<\/strong>.
\nDe esta manera, ponemos un mayor orden en el caos y Pandora FMS tambi\u00e9n permite la monitorizaci\u00f3n de clusters<\/strong>, as\u00ed como la creaci\u00f3n de los mismos seg\u00fan nuestras necesidades espec\u00edficas.
\nIntegrando aqu\u00ed tambi\u00e9n la t\u00e9cnica de clasificaci\u00f3n, podemos definir los nodos del cluster que sean cr\u00edticos, alertas personalizadas para cada uno, etc.<\/p>\nDetecci\u00f3n de anomal\u00edas<\/h3>\n
Esto puede implicar fallos en hardware o servicios, as\u00ed como el mayor generador de sudores fr\u00edos, la intrusi\u00f3n<\/strong> por parte de actores maliciosos.
\nLa clave aqu\u00ed es identificar proactivamente patrones sospechosos<\/strong> y detectar la anomal\u00eda en cuanto se produzca.
\nPara ello, por ejemplo, Pandora FMS tiene un motor de detecci\u00f3n de anomal\u00edas (MADE)<\/strong> que permite una detecci\u00f3n autom\u00e1tica de las mismas.
\nEn el caso de an\u00e1lisis prescriptivos, si el sistema detecta, por ejemplo, que el servidor de base de datos DB-1701 (la referencia es demasiado f\u00e1cil, as\u00ed que no hay premio por pillarla) est\u00e1 al 98% de capacidad, este podr\u00eda avisarnos de que, si contin\u00faa la tendencia y no hacemos nada, caer\u00e1 en 15 minutos.
\nComo vemos, esta aplicaci\u00f3n de la ciencia de datos nos previene de esa posible ca\u00edda<\/strong>, en lugar de recibir el mensaje de que ya se ha producido, junto a quince correos de usuarios cabreados.
\nEquilibrar cargas, escalar contenedores, ajustar pol\u00edticas de backup… La predicci\u00f3n adaptada a nuestra infraestructura es uno los Griales prometidos por un proyecto exitoso de ciencia de datos en IT.
\nPero \u00bfc\u00f3mo se consigue esa predicci\u00f3n?<\/p>\nIA y Machine Learning en tareas de operaciones IT<\/h3>\n
En el caso de Pandora FMS, el prop\u00f3sito final del motor de detecci\u00f3n de anomal\u00edas MADE es el entrenamiento y uso de modelos de IA para ese descubrimiento anticipado.
\nSin embargo, no es lo \u00fanico que pueden hacer. Estos modelos pueden afinar a\u00fan m\u00e1s esa gesti\u00f3n proactiva de la capacidad, recursos, asignaci\u00f3n inteligente de tickets…
\nPor supuesto, tambi\u00e9n podemos crear y entrenar modelos propios<\/strong>, ya sea desde cero o aprovechando algunas herramientas especializadas, como las que vamos a analizar ahora.<\/p>\nHerramientas m\u00e1s utilizadas en ciencia de datos aplicada a IT<\/h2>\n
A la hora de modelar dentro de nuestro proyecto (paso 4 del ciclo de vida) convirtiendo esos datos en acciones y herramientas que nos ayuden en la gesti\u00f3n, tenemos muchas opciones dependiendo del conocimiento, el tiempo y, c\u00f3mo no, el dinero que tengamos para dicho proyecto.
\nAs\u00ed, las principales herramientas para materializar esa ciencia de datos son:<\/p>\n
\n- Python\/R:<\/strong> Para desarrollo de modelos personalizados y, en general, el cl\u00e1sico para casi cualquier situaci\u00f3n.<\/li>\n
- TensorFlow\/PyTorch:<\/strong> Bibliotecas populares para el desarrollo de Deep learning.<\/li>\n
- Apache Spark:<\/strong> Un motor de procesamiento de datos de c\u00f3digo abierto dise\u00f1ado para el an\u00e1lisis a gran escala (con el que podemos interactuar usando Python, por ejemplo, si instalamos Pyspark desde pip).<\/li>\n
- Jupyter Notebooks:<\/strong> Pr\u00e1cticamente, el est\u00e1ndar para crear documentaci\u00f3n interactiva de an\u00e1lisis.<\/li>\n
- Servicios Cloud:<\/strong> Como Amazon Sagemaker para construir, entrenar y desplegar modelos desde la nube, sin tener que estar configurando e instalando on-premise.<\/li>\n<\/ul>\n
No son las \u00fanicas herramientas, Google Colab, Kaggle, Anaconda… el abanico es tan amplio, que podremos procrastinar a gusto toquet\u00e9andolas, mientras nuestro proyecto sigue sin avanzar.<\/p>\n
Diferencias entre ciencia de datos, IA, BI y an\u00e1lisis de datos en IT<\/h2>\n
La ciencia de datos es algo que se ha puesto muy de moda en los \u00faltimos tiempos, pero ya se sabe qu\u00e9 ocurre con esas modas que todo el mundo ans\u00eda. Que empezamos a estirar conceptos y usar la creatividad del marketing para llamar ciencia de datos (o el concepto de moda que sea) a cosas que no son.
\nPor eso, es mejor dejar claros los malentendidos habituales.
\nLa ciencia de datos usa m\u00e9todos, procesos, algoritmos, modelado y m\u00e1s para extraer conocimiento de los datos, con un enfoque en interpretar, predecir y prescribir, pero la ciencia de datos no es<\/strong>:<\/p>\n\n- Solo programaci\u00f3n.<\/strong> Aunque la usa para el modelado, sobre todo, pero tambi\u00e9n puede ser \u00fatil para la recolecci\u00f3n, la limpieza… La ciencia de datos puede incluir aprendizaje autom\u00e1tico, por ejemplo, o estad\u00edstica.<\/li>\n
- Solo an\u00e1lisis de datos. <\/strong>Este es una parte de la ciencia, pero dicha ciencia va mucho m\u00e1s all\u00e1.<\/li>\n
- Solo IA.<\/strong> Esta es una herramienta que puede ser utilizada en ciencia de datos, especialmente si queremos esa predicci\u00f3n y prescripci\u00f3n. Sin embargo, no es el \u00fanico enfoque, pues a veces podemos usar regresi\u00f3n u otros an\u00e1lisis estad\u00edsticos.<\/li>\n
- BI (Business Intelligence).<\/strong> Esta inteligencia de negocio para toma de decisiones usa tradicionalmente datos hist\u00f3ricos y est\u00e1ticos, aunque su evoluci\u00f3n integra otros conceptos, como BAM (Business Activity Monitoring)<\/A>. La ciencia de datos trasciende eso y crea modelos que ayudan a esa toma de decisiones del negocio.<\/li>\n<\/ul>\n
He aqu\u00ed una tabla resumen con las caracter\u00edsticas principales de cada concepto.<\/p>\n
\n\n\n| \n Concepto<\/strong><\/p>\n<\/td>\n| \n Predictivo<\/strong><\/p>\n<\/td>\n| \n En tiempo real<\/strong><\/p>\n<\/td>\n| \n Acción automática<\/strong><\/p>\n<\/td>\n| \n Profundidad técnica<\/strong><\/p>\n<\/td>\n<\/tr>\n\n| \n Ciencia de Datos<\/strong><\/p>\n<\/td>\n| \n \u2713<\/p>\n<\/td>\n | \n A veces<\/p>\n<\/td>\n | \n A veces<\/p>\n<\/td>\n | \n Alto<\/p>\n<\/td>\n<\/tr>\n | \n| \n IA<\/strong><\/p>\n<\/td>\n| \n \u2713<\/p>\n<\/td>\n | \n A veces<\/p>\n<\/td>\n | \n \u2713<\/p>\n<\/td>\n | \n Alto<\/p>\n<\/td>\n<\/tr>\n | \n| \n BI<\/strong><\/p>\n<\/td>\n| \n \u2717<\/p>\n<\/td>\n | \n \u2717<\/p>\n<\/td>\n | \n \u2717<\/p>\n<\/td>\n | \n Medio<\/p>\n<\/td>\n<\/tr>\n | \n| \n Análisis de Datos<\/strong><\/p>\n<\/td>\n| \n \u2717<\/p>\n<\/td>\n | \n A veces<\/p>\n<\/td>\n | \n \u2717<\/p>\n<\/td>\n | \n Medio-Bajo<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n C\u00f3mo permite Pandora FMS aplicar la ciencia de datos en IT<\/h2>\nDado que la ciencia de datos recoge, filtra, analiza datos, modela e implanta soluciones, una herramienta de monitorizaci\u00f3n global, como Pandora FMS, ayuda a levantar el peso m\u00e1s pesado de un proyecto de este tipo<\/strong>.
\nYa hemos visto algunos ejemplos cuando habl\u00e1bamos de los pasos implantando un proyecto, pero no son los \u00fanicos.<\/p>\n\n- Por ejemplo, facilita la recogida<\/strong> mediante la extracci\u00f3n unificada de datos con agentes, APIs, etc. Eso permite fases iniciales del proyecto m\u00e1s r\u00e1pidas y sencillas.<\/li>\n
- Puede crear sistemas de alertas personalizadas<\/strong> cuando apliquemos t\u00e9cnicas como la clasificaci\u00f3n o la realizaci\u00f3n de clusters.<\/li>\n
- Aplicaci\u00f3n de IA para detecci\u00f3n de anomal\u00edas<\/strong> con su motor MADE.<\/li>\n
- Visualizaci\u00f3n avanzada<\/strong> de los elementos clave derivados del proyecto de ciencia de datos, gracias a sus dashboards personalizados.<\/li>\n<\/ul>\n
Para esta ciencia hacen falta datos, y herramientas avanzadas de monitorizaci\u00f3n como Pandora FMS son expertas en recogerlos, correlarlos, mostrarlos y clasificarlos.<\/p>\n Hacia una gesti\u00f3n IT basada en datos<\/h2>\nEn muchas ocasiones, la gesti\u00f3n de una infraestructura IT se basa en la destreza, intuici\u00f3n o man\u00edas de sus administradores. O bien se construye alrededor de las capacidades de las herramientas disponibles, en lugar de los procesos \u00f3ptimos.
\nHoy, con el auge del big data, la gesti\u00f3n basada en datos se ha implantado en la mayor\u00eda de campos porque, al estar basada en la evidencia particular de cada organizaci\u00f3n, la optimizaci\u00f3n es mayor<\/strong>.
\nNo podemos caer en la paradoja de que la tecnolog\u00eda, que es la que ha hecho posible precisamente esa gesti\u00f3n basada en datos, no la aplique en s\u00ed misma, haciendo bueno el refr\u00e1n de: \u00abEn casa de herrero, cuchara de palo\u00bb.
\nUn buen proyecto de ciencia de datos nos dar\u00e1 beneficios tangibles<\/strong>, como por ejemplo:<\/p>\n\n- Reducci\u00f3n del MTTR (Mean Time To Repair):<\/strong> Con modelos predictivos y alertas personalizadas.<\/li>\n
- Ahorro de costes:<\/strong> Con la optimizaci\u00f3n de recursos cloud\/on-premise, la reducci\u00f3n de fallos y sus gastos asociados, etc.<\/li>\n
- Seguridad<\/A> reforzada: <\/strong>Facilitando, por ejemplo, la mitigaci\u00f3n de los temidos ataques zero-day mediante detecci\u00f3n de anomal\u00edas.<\/li>\n<\/ul>\n
En cuanto al futuro de la ciencia de datos, todo el mundo tiene sus predicciones. Pero quien sabe de verdad, tambi\u00e9n sabe que esas predicciones valen lo mismo que un billete de seis euros.
\nPero s\u00ed es cierto que hay una serie de tendencias que despuntan en ciencia de datos<\/strong>, como por ejemplo:<\/p>\n\n- AIOps: <\/strong>O Inteligencia Artificial para Operaciones IT, que busca integrarla junto al aprendizaje autom\u00e1tico para mejorar y automatizar la gesti\u00f3n.<\/li>\n
- Modelos h\u00edbridos:<\/strong> Combinando reglas expertas, deep learning y otras t\u00e9cnicas, para obtener lo mejor de cada mundo, mitigando sus debilidades.<\/li>\n
- Automatizaci\u00f3n total:<\/strong> Que abarcar\u00eda desde la detecci\u00f3n de problemas, hasta la resoluci\u00f3n sin intervenci\u00f3n humana.<\/li>\n
El futuro no est\u00e1 escrito y mucho menos en esto, aunque muchos se apresuren a venderlo antes de tenerlo. Pero la realidad es que, en el presente, la ciencia de datos deber\u00eda estar en el n\u00facleo de la gesti\u00f3n de infraestructuras IT<\/strong> modernas.
\nImplementarlo no significa un proyecto fara\u00f3nico. Incluso las arquitecturas m\u00e1s modestas pueden sacar un enorme partido a sus datos y convertirlos en ventajas.
\nAl fin y al cabo, los competidores inteligentes ya lo est\u00e1n haciendo.[\/et_pb_text][et_pb_button button_url=\u00bb@ET-DC@eyJkeW5hbWljIjp0cnVlLCJjb250ZW50IjoicG9zdF9saW5rX3VybF9wYWdlIiwic2V0dGluZ3MiOnsicG9zdF9pZCI6IjM2MjI3MCJ9fQ==@\u00bb button_text=\u00bb\u2190 Regresar a IT Topics\u00bb button_alignment=\u00bbleft\u00bb _builder_version=\u00bb4.22.0″ _dynamic_attributes=\u00bbbutton_url\u00bb _module_preset=\u00bbdefault\u00bb custom_button=\u00bbon\u00bb button_text_size=\u00bb1em\u00bb button_text_color=\u00bb#0C312F\u00bb button_bg_color=\u00bb#FFFFFF\u00bb button_bg_color_gradient_direction=\u00bb90deg\u00bb button_bg_color_gradient_stops=\u00bb#82B92E 0%|#3CB92E 100%\u00bb button_bg_color_gradient_start=\u00bb#82B92E\u00bb button_bg_color_gradient_end=\u00bb#3CB92E\u00bb button_border_width=\u00bb1px\u00bb button_border_color=\u00bb#eaeaea\u00bb button_border_radius=\u00bb100px\u00bb button_use_icon=\u00bboff\u00bb z_index=\u00bb0″ custom_margin=\u00bb60px||0px||false|false\u00bb custom_padding=\u00bb10px|50px|10px|50px|true|true\u00bb custom_padding_tablet=\u00bb\u00bb custom_padding_phone=\u00bb10px|20px|10px|20px|true|true\u00bb custom_padding_last_edited=\u00bbon|phone\u00bb custom_css_main_element=\u00bbright:0!important;||font-family:%22Pandora-Bold%22!important;\u00bb global_module=\u00bb367749″ locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb button_bg_color__hover_enabled=\u00bbon|desktop\u00bb button_bg_color_gradient_start__hover=\u00bb#eaeaea\u00bb button_bg_color_gradient_end__hover=\u00bb#f4f4f4″ button_bg_color__hover=\u00bb#eaeaea\u00bb button_bg_enable_color__hover=\u00bbon\u00bb button_bg_use_color_gradient__hover=\u00bbon\u00bb button_bg_color_gradient_stops__hover=\u00bb#eaeaea 0%|#f4f4f4 100%\u00bb][\/et_pb_button][\/et_pb_column][\/et_pb_row][\/et_pb_section][et_pb_section fb_built=\u00bb1″ custom_padding_last_edited=\u00bbon|desktop\u00bb admin_label=\u00bbFinal CTA\u00bb _builder_version=\u00bb4.22.0″ _module_preset=\u00bbdefault\u00bb background_color=\u00bb#161327″ use_background_color_gradient=\u00bbon\u00bb background_color_gradient_stops=\u00bbrgba(22,19,39,0.5) 17%|rgba(22,19,39,0.5) 100%\u00bb background_color_gradient_overlays_image=\u00bbon\u00bb background_image=\u00bbhttps:\/\/pandorafms.com\/wp-content\/uploads\/2024\/01\/img-banner-it-topics-resumen-de-producto.webp\u00bb background_position=\u00bbtop_center\u00bb z_index=\u00bb1″ max_width=\u00bb1080px\u00bb max_width_tablet=\u00bb98%\u00bb max_width_phone=\u00bb98%\u00bb max_width_last_edited=\u00bbon|tablet\u00bb module_alignment=\u00bbcenter\u00bb custom_margin=\u00bb80px||80px||true|false\u00bb custom_padding=\u00bb40px|20px|160px|20px|false|true\u00bb custom_padding_tablet=\u00bb40px|0px|120px|0px|false|true\u00bb custom_padding_phone=\u00bb40px|0px|120px|0px|false|true\u00bb scroll_scaling=\u00bb40|55|85|100|100%|120%|100%\u00bb motion_trigger_start=\u00bbtop\u00bb background_last_edited=\u00bboff|desktop\u00bb border_radii=\u00bboff|20px|20px|20px|20px\u00bb border_color_all=\u00bb#ffffff\u00bb box_shadow_style=\u00bbpreset1″ box_shadow_vertical=\u00bb0px\u00bb box_shadow_blur=\u00bb80px\u00bb box_shadow_color=\u00bb#506da0″ global_module=\u00bb367405″ global_colors_info=\u00bb{}\u00bb][et_pb_row use_custom_gutter=\u00bbon\u00bb gutter_width=\u00bb2″ make_equal=\u00bbon\u00bb _builder_version=\u00bb4.22.0″ _module_preset=\u00bbdefault\u00bb max_width=\u00bb550px\u00bb module_alignment=\u00bbcenter\u00bb custom_margin=\u00bb0px||0px||true|false\u00bb custom_padding=\u00bb0px|0px|0px|0px|true|true\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.22.0″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_text _builder_version=\u00bb4.22.0″ _module_preset=\u00bbdefault\u00bb header_2_font_size=\u00bb2em\u00bb text_orientation=\u00bbcenter\u00bb module_alignment=\u00bbleft\u00bb custom_margin=\u00bb0px||20px||false|false\u00bb custom_padding=\u00bb0px||0px||true|false\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n\u00bfPuede una sola herramienta tener una visibilidad global?<\/p>\n [\/et_pb_text][et_pb_button button_url=\u00bb@ET-DC@eyJkeW5hbWljIjp0cnVlLCJjb250ZW50IjoicG9zdF9saW5rX3VybF9wYWdlIiwic2V0dGluZ3MiOnsicG9zdF9pZCI6IjMzMDcyMSJ9fQ==@\u00bb button_text=\u00bb\u00a1Desc\u00fabrelo!\u00bb button_alignment=\u00bbcenter\u00bb button_alignment_tablet=\u00bbcenter\u00bb button_alignment_phone=\u00bbcenter\u00bb button_alignment_last_edited=\u00bbon|phone\u00bb _builder_version=\u00bb4.22.0″ _dynamic_attributes=\u00bbbutton_url\u00bb _module_preset=\u00bbdefault\u00bb custom_button=\u00bbon\u00bb button_text_size=\u00bb1em\u00bb button_text_color=\u00bb#ffffff\u00bb button_bg_use_color_gradient=\u00bbon\u00bb button_bg_color_gradient_direction=\u00bb90deg\u00bb button_bg_color_gradient_stops=\u00bb#82B92E 0%|#3CB92E 100%\u00bb button_bg_color_gradient_start=\u00bb#82B92E\u00bb button_bg_color_gradient_end=\u00bb#3CB92E\u00bb button_border_width=\u00bb0px\u00bb button_border_radius=\u00bb100px\u00bb button_use_icon=\u00bboff\u00bb z_index=\u00bb0″ custom_margin=\u00bb40px||0px||false|false\u00bb custom_padding=\u00bb10px|40px|10px|40px|true|true\u00bb custom_padding_tablet=\u00bb\u00bb custom_padding_phone=\u00bb15px|15px|15px|15px|true|true\u00bb custom_padding_last_edited=\u00bbon|phone\u00bb custom_css_main_element=\u00bbright:0!important;||font-family:%22Pandora-Bold%22!important;\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb button_bg_color__hover_enabled=\u00bbon|hover\u00bb button_bg_color_gradient_start__hover=\u00bb#05201F\u00bb button_bg_color_gradient_end__hover=\u00bb#05201F\u00bb button_bg_color_gradient_stops__hover=\u00bb#181818 0%|#181818 58%|#181818 100%\u00bb button_bg_use_color_gradient__hover=\u00bbon\u00bb][\/et_pb_button][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":" Secciones \u00bfQu\u00e9 es la ciencia de datos y qu\u00e9 aporta a IT? El ciclo de vida de un proyecto de ciencia de datos en IT T\u00e9cnicas y modelos para automatizar procesos IT Herramientas m\u00e1s utilizadas en ciencia de datos aplicada a IT Diferencias entre ciencia de datos, IA, BI y an\u00e1lisis de datos en IT […]<\/p>\n","protected":false},"author":33,"featured_media":402902,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","_joinchat":[],"footnotes":""},"categories":[7770,3506],"tags":[],"class_list":["post-402880","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-automatizacion","category-it-topics"],"_links":{"self":[{"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/posts\/402880","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/users\/33"}],"replies":[{"embeddable":true,"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/comments?post=402880"}],"version-history":[{"count":5,"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/posts\/402880\/revisions"}],"predecessor-version":[{"id":402905,"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/posts\/402880\/revisions\/402905"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/media\/402902"}],"wp:attachment":[{"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/media?parent=402880"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/categories?post=402880"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pandorafms.com\/es\/wp-json\/wp\/v2\/tags?post=402880"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} | | | | | | | | | |