[et_pb_section fb_built=\u00bb1″ admin_label=\u00bbSection\u00bb _builder_version=\u00bb4.22.0″ _module_preset=\u00bbdefault\u00bb custom_margin=\u00bb0px||0px||false|false\u00bb custom_padding=\u00bb0px||0px||false|false\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_row column_structure=\u00bb1_4,3_4″ _builder_version=\u00bb4.27.0″ _module_preset=\u00bbdefault\u00bb custom_padding=\u00bb50px||||false|false\u00bb custom_css_main_element=\u00bbz-index:0!important;\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb1_4″ disabled_on=\u00bbon|on|off\u00bb _builder_version=\u00bb4.22.0″ _module_preset=\u00bbdefault\u00bb custom_padding=\u00bb||||false|false\u00bb sticky_position=\u00bbtop\u00bb sticky_offset_top=\u00bb100px\u00bb sticky_limit_bottom=\u00bbsection\u00bb motion_trigger_start=\u00bbtop\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_text admin_label=\u00bbindice\u00bb _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb custom_margin=\u00bb||0px||false|false\u00bb custom_padding=\u00bb||14px||false|false\u00bb link_option_url=\u00bb#1″ global_colors_info=\u00bb{}\u00bb]<\/p>\n
Secciones<\/strong><\/p>\n [\/et_pb_text][\/et_pb_column][et_pb_column type=\u00bb3_4″ _builder_version=\u00bb4.27.0″ _module_preset=\u00bbdefault\u00bb custom_css_main_element=\u00bbz-index:0!important;\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_text admin_label=\u00bbseccion\u00bb module_id=\u00bb1″ module_class=\u00bbittopicscontent\u00bb _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb z_index=\u00bb0″ custom_margin=\u00bb0px||0px||true|false\u00bb custom_padding=\u00bb0px||0px||false|false\u00bb custom_css_main_element=\u00bbfont-family:%22Pandora-Light%22;\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb]De ni\u00f1o, ten\u00eda grabada en VHS La colina de la hamburguesa, una pel\u00edcula b\u00e9lica de Vietnam, y una de mis frustraciones era que los protagonistas nunca ve\u00edan al enemigo. Todo era selva y, de pronto, la selva se pon\u00eda a disparar. Como en IT, donde monitorizas constantemente cada rinc\u00f3n, 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 monitorizaci\u00f3n e ITSM<\/strong>. El deep learning es una rama del \u00e1rbol de la inteligencia artificial y la evoluci\u00f3n natural del machine learning. El T-1000 del T-800 de Terminator 2, aunque como veremos y como pasa en la pel\u00edcula, el T-1000 no siempre ser\u00e1 el m\u00e1s adecuado en todos los escenarios. La distinci\u00f3n clave es que el machine learning cl\u00e1sico necesita que un especialista decida qu\u00e9 m\u00e9tricas son clave, lo que se vuelve imposible cuando pasamos de decenas a miles de variables. Todo esto suena genial, pero la pregunta es \u00bfpara qu\u00e9 nos sirve en el incendio diario de la gesti\u00f3n IT? La detecci\u00f3n cl\u00e1sica se basa en umbrales r\u00edgidos, pero el aprendizaje profundo construye perfiles din\u00e1micos<\/strong> de lo que es normal en nuestro caso. Los modelos secuenciales aprenden el ciclo de vida de discos, ventiladores, CPUs o servicios l\u00f3gicos. Al detectar degradaciones sutiles (como ligeros aumentos de temperatura o ca\u00edda de IOPS) pronostican posibles ventanas de fallo<\/strong>. Esta es la clave y la enorme ventaja de Pandora SIEM<\/A>. No solo recoge y muestra millones de datos, sino que une esas piezas para ofrecer la imagen completa del puzzle<\/strong>. El aprendizaje profundo multiplica nuestras capacidades de gesti\u00f3n IT con prestaciones como:<\/p>\n Como en la sala de urgencias de un hospital, lo primero es un triaje que categorice y priorice tickets, cuanto antes, mejor. El chatbot de Pandora ITSM combina modelos de lenguaje con contexto operacional<\/Strong>. As\u00ed, permite interactuar con el usuario o ayudar al operador humano en posibles dudas y situaciones.<\/p>\n La experiencia del usuario final depende tambi\u00e9n de c\u00f3mo se siente al interactuar con soporte. Modelos basados en BERT pueden procesar comentarios, encuestas y chats<\/Strong> para identificar tendencias.<\/p>\n Sigamos remachando la utilidad del deep learning en IT con casos pr\u00e1cticos en los que esta tecnolog\u00eda permite mayor eficiencia, enfoc\u00e1ndonos en nuestro Skynet particular, Pandora FMS.<\/p>\n Un proveedor de servicios gestionados recopila dos a\u00f1os de m\u00e9tricas de rendimiento y alteraciones o cortes de servicio. Eso es una mina, pero demasiado profunda para modelos como regresiones sencillas o an\u00e1lisis puramente humano. Si de la gesti\u00f3n pura pasamos a la monitorizaci\u00f3n de seguridad<\/a>, el poder del aprendizaje profundo no se basa solamente en la gesti\u00f3n de datos masivos, sino en que sirvan de base para detectar amenazas sofisticadas<\/Strong>. 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 saturaci\u00f3n, perdiendo ventas y confianza de los compradores. Los beneficios los hemos visto y las ventajas clave frente a la monitorizaci\u00f3n tradicional se pueden resumir en:<\/p>\n Pero claro, nada es perfecto, y el deep learning a\u00fan presenta desaf\u00edos importantes, como:<\/p>\n Antes de seguir, aclarar que Pandora FMS no solamente emplea deep learning<\/Strong> para monitorizar todo desde un \u00fanico Trono de Hierro. Como hemos comentado, otras t\u00e9cnicas m\u00e1s tradicionales pueden ser tan o m\u00e1s \u00fatiles en ciertos escenarios. Adem\u00e1s de lo anterior, Pandora ITSM integra modelos de lenguaje en su labor de asistencia<\/Strong>, capaces de responder en lenguaje natural a consultas de usuarios, sugerir art\u00edculos y documentar cada intervenci\u00f3n. Todos tenemos una opini\u00f3n sobre la inteligencia artificial y yo tambi\u00e9n. Pero la realidad es que, pase lo que pase con el juego y sus jugadores, ha venido para quedarse y lo cambia todo<\/Strong>. Resumamos las cuestiones fundamentales sobre aprendizaje profundo que hemos visto.<\/p>\n Es un enfoque basado en redes neuronales profundas que aprenden representaciones complejas para detectar anomal\u00edas<\/Strong>, pronosticar demanda o automatizar decisiones de gesti\u00f3n IT. Mayor capacidad de representaci\u00f3n, aprendizaje autom\u00e1tico de caracter\u00edsticas y funcionamiento de nuestra infraestructura, as\u00ed como un mejor rendimiento con grandes vol\u00famenes de datos o trabajo.<\/p>\n Aprendiendo el comportamiento normal de cada servicio, identificando desviaciones m\u00ednimas y priorizando alertas seg\u00fan impacto probable. Con eso, reduce el ruido, anticipa problemas y ayuda en las soluciones.<\/p>\n\n
\nCon \u00e9l podemos descubrir patrones invisibles para el ojo humano<\/Strong> y reaccionar antes, predecir qu\u00e9 ocurrir\u00e1 y, en general, ahorrarnos tiempo, disgustos y derrotas en nuestra batalla diaria.
\nConscientes de que el enemigo m\u00e1s peligroso es el que no ves y se encuentra agazapado en la espesura de silicio y bits, Pandora FMS<\/A> y Pandora ITSM<\/a> usan t\u00e9cnicas de aprendizaje profundo<\/a> y otras vertientes de inteligencia artificial<\/A><\/Strong> para detectar anomal\u00edas, correlacionar eventos complejos y, en general, anticiparse a posibles emboscadas.
\nSi no lo estamos usando en nuestro d\u00eda a d\u00eda como gestores IT, CISOs o responsables de tecnolog\u00eda, somos el pelot\u00f3n del sargento Frantz, mirando a todos lados sin detectar muchas amenazas.
\nPor eso, analizaremos qu\u00e9 es el deep learning aplicado a IT y c\u00f3mo lo utilizan Pandora FMS y Pandora ITSM en la pr\u00e1ctica<\/strong>, para proporcionar el bien m\u00e1s escaso en este trabajo, la paz mental (y la aprobaci\u00f3n de direcci\u00f3n por nuestro buen trabajo).<\/p>\n\u00bfQu\u00e9 es el deep learning y c\u00f3mo funciona?<\/h2>\n
\nEl funcionamiento del deep learning se basa en redes neuronales profundas<\/strong> que aprenden jerarqu\u00edas de caracter\u00edsticas: primero patrones simples, luego combinaciones complejas y, por \u00faltimo, representaciones abstractas del sistema.
\nLa clave es que, a diferencia de los modelos tradicionales, el propio modelo decide qu\u00e9 se\u00f1ales importan<\/strong>, de ah\u00ed ese aprendizaje m\u00e1s profundo, lo que reduce la dependencia de reglas hechas a mano.
\nAs\u00ed, se entrenan modelos multimodales que combinan m\u00e9tricas, texto de tickets, trazas de red y conversaciones… Un mismo modelo puede integrar datos heterog\u00e9neos como: hist\u00f3rico de CPU, relaciones entre servicios o lenguaje natural asociado a incidentes<\/A>.
\nUsando una combinaci\u00f3n de repaso de capas apiladas, funciones de activaci\u00f3n y p\u00e9rdida o pesos, eso permite que, en la pr\u00e1ctica, se puedan encontrar patrones ocultos e indetectables mediante m\u00e9todos tradicionales<\/strong> o percepci\u00f3n humana.
\nDentro del aprendizaje profundo conviven diversas arquitecturas especializadas:<\/p>\n\n
\u00bfC\u00f3mo se diferencia el aprendizaje profundo del machine learning tradicional?<\/h2>\n
\nEl deep learning, en cambio, automatiza ese descubrimiento de lo que importa y aumenta la capacidad de representaci\u00f3n<\/Strong>, encontrando relaciones no lineales entre m\u00e9tricas, tickets y registros que no estaban expl\u00edcitas.
\nEs decir, que puede ver en esa jungla IT lo que los ojos expertos no pueden detectar.
\nOtra clave diferenciadora es que algunos algoritmos de machine learning tradicional, como \u00e1rboles de decisi\u00f3n simples, no manejan bien grandes datasets, mientras que un modelo de deep learning mejora cuanto m\u00e1s datos reciba. Eso s\u00ed, siempre que los datos sean de calidad<\/Strong>, desaf\u00edo fundamental que veremos m\u00e1s a fondo cuando hablemos de limitaciones de esta tecnolog\u00eda.
\n\u00bfSignifica esto que el machine learning est\u00e1 obsoleto?<\/strong>
\nEn absoluto, como demostr\u00f3 Schwarzenegger (s\u00ed, he copiado y pegado el apellido, como todos) contra el T-1000.
\nLos modelos sencillos siguen siendo id\u00f3neos para diagn\u00f3sticos r\u00e1pidos o cuando no hay hist\u00f3rico. Por eso, una estrategia ganadora suele ser h\u00edbrida:<\/p>\n\n
\u00bfQu\u00e9 aplicaciones tiene el deep learning en la monitorizaci\u00f3n IT?<\/h2>\n
\nPara no acabar como el pelot\u00f3n de La colina de la hamburguesa gracias a:<\/p>\nDetecci\u00f3n de anomal\u00edas en m\u00e9tricas de rendimiento<\/h3>\n
\nEso permite m\u00e1s flexibilidad y exactitud<\/Strong>. De esta manera, Pandora FMS, usando estas t\u00e9cnicas, alerta de manera m\u00e1s precisa<\/strong>, reduciendo ruido y ataques de nervios.<\/p>\nPredicci\u00f3n de fallos y mantenimiento proactivo<\/h3>\n
\nPandora FMS integra estos pron\u00f3sticos y la clave no es solamente un Cerebro como el del doctor Xavier en X-Men que localiza lo necesario, sino tambi\u00e9n la capacidad de proyectar el futuro probable <\/strong>como Nostradamus, pero fallando menos.<\/p>\nCorrelaci\u00f3n avanzada de eventos en entornos SIEM<\/h3>\n
\nEs decir, transforma informaci\u00f3n en conocimiento accionable<\/strong>, detectando patrones y emboscadas complejas del enemigo. Y reduce falsos positivos, claro, lo que contribuye a la salud card\u00edaca, bastante precaria en el gremio.<\/p>\n\u00bfC\u00f3mo potencia el deep learning el ITSM y la automatizaci\u00f3n del soporte?<\/h2>\n
Clasificaci\u00f3n autom\u00e1tica de tickets mediante IA<\/h3>\n
\nAh\u00ed, el uso de transformers permite comprender la sem\u00e1ntica del ticket <\/Strong>(que suele ser que algo \u00abse ha roto\u00bb y \u00abyo no he tocado nada\u00bb, seg\u00fan el usuario) asignando prioridades y encargados seg\u00fan la interpretaci\u00f3n.<\/p>\nChatbots para interacci\u00f3n y gesti\u00f3n<\/h3>\n
An\u00e1lisis de sentimiento y calidad del servicio<\/h3>\n
Casos pr\u00e1cticos y ejemplos reales de aprendizaje profundo aplicado a gesti\u00f3n IT<\/h2>\n
Caso pr\u00e1ctico de gesti\u00f3n IT: Predicci\u00f3n de fallos en servidores y redes<\/h3>\n
\nPandora FMS puede integrarlo y correlacionarlo, permitiendo extraer el oro en esa mina<\/Strong>, descubriendo patrones que permitan predecir, por ejemplo, posibles interrupciones, alertando de ellas antes de que se produzcan<\/strong>.<\/p>\nCaso pr\u00e1ctico de seguridad: Correlaci\u00f3n de eventos con Pandora FMS<\/h3>\n
\nAs\u00ed, Pandora, aprendiendo de la \u00abnormalidad\u00bb de la organizaci\u00f3n que monitoriza y consciente de las \u00faltimas t\u00e9cnicas de ataque<\/A>, puede detectar eventos que, aparentemente, no son sospechosos por separado.
\nPor ejemplo, supongamos un acceso de usuario a horas extra\u00f1as, pero no imposibles, unido a una conexi\u00f3n a servidores no sospechosos en principio, como Google Drive. Pandora est\u00e1 viendo todo eso como Sauron con su Palantir y, de momento, sigue observando. Entonces, hay una ejecuci\u00f3n de PowerShell por parte de ese usuario, algo que no corresponde a la normalidad de la organizaci\u00f3n y que, con el resto de puntos ya vistos, huele a amenaza.
\nEn este escenario, Pandora FMS puede correlacionar esos eventos aislados<\/strong> e \u00abinofensivos\u00bb por separado, sospechar una posible intrusi\u00f3n con exfiltraci\u00f3n de datos y actuar<\/strong>.
\nAs\u00ed, env\u00eda una alerta al SOC e incluso puede conectar con el SOAR<\/A> para que despliegue contramedidas autom\u00e1ticas, como un cierre de la conexi\u00f3n y bloqueo del usuario hasta que dicho SOC investigue.<\/p>\nCaso pr\u00e1ctico de gesti\u00f3n IT: Optimizaci\u00f3n del escalado de servicios de la nube<\/h3>\n
\nEn 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.
\nPandora FMS aprende gracias a deep learning y tiene en cuenta, adem\u00e1s, los umbrales determinados en la Metaconsola o Command Center (no haberla llamado \u00abPuente de mando\u00bb es una oportunidad trekkie perdida).
\nAs\u00ed, al poco tiempo, env\u00eda una alerta prediciendo que, por ejemplo, en 30-60 minutos el cluster de base de datos alcanzar\u00e1 el 95%, degradando el servicio de cat\u00e1logo y haciendo que la experiencia de usuario sea un horror demasiado lento.
\nComo vemos, no solo evita o predice fallos, sino que optimiza<\/strong>, permitiendo que nuestra organizaci\u00f3n aumente la satisfacci\u00f3n con su servicio y cumpla posibles SLAs (Service Level Agreements) contractuales.<\/p>\n\u00bfCu\u00e1les son los beneficios y desaf\u00edos del deep learning en IT?<\/h2>\n
\n
\n
\u00bfC\u00f3mo integran Pandora FMS y Pandora ITSM la inteligencia basada en deep learning?<\/h2>\n
\nPor eso, Pandora FMS tambi\u00e9n tiene prestaciones como, por ejemplo, de planificaci\u00f3n de la capacidad (Capacity planning), que realiza una predicci\u00f3n basada en la ventana de tiempo especificada por el usuario y asumiendo un comportamiento m\u00e1s o menos lineal<\/strong> del m\u00f3dulo objetivo.
\nPero en cuanto a optimizaci\u00f3n de la gesti\u00f3n IT mediante detecci\u00f3n de anomal\u00edas mediante IA, Pandora usa su motor MADE<\/strong>.
\nLas 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, dise\u00f1ado para el almacenamiento eficiente de datos.
\nDe esta manera, tenemos lo mejor de ambos mundos para garantizar que usamos la herramienta m\u00e1s adecuada<\/Strong> en cada caso.<\/p>\n\u00bfCu\u00e1l es el futuro del deep learning en la gesti\u00f3n IT?<\/h3>\n
\nDe la misma forma, se adapta a la manera de operar de cada organizaci\u00f3n, mediante la posibilidad de crear reglas de trabajo (workflow rules) en lo que se refiere a tickets y soporte.<\/p>\n\u00bfCu\u00e1l es el futuro de la IA generativa en IT?<\/h2>\n
\nNo usar deep learning en nuestra gesti\u00f3n IT nos pone en desventaja frente a competidores que s\u00ed la usan, especialmente, cuando nos enfrentamos a infraestructuras cada vez m\u00e1s complejas y vol\u00famenes de datos clave inmanejables de forma tradicional. Ser un ludita puede resultar atrayente en ocasiones, pero nos crear\u00e1 problemas innecesarios en nuestro trabajo.
\nNo solo eso, frente a actores maliciosos cada vez m\u00e1s sofisticados, que aprovechan esta y otras vertientes de IA para ataques cada vez m\u00e1s complejos<\/strong>, acudiremos a la batalla con una espada de madera si no aprovechamos el poder del aprendizaje profundo.
\nMirando hacia adelante, probablemente veremos una convergencia entre deep learning, IA generativa<\/A> (cuya tecnolog\u00eda base es ese aprendizaje profundo), AIOps con automatizaci\u00f3n de operaciones y RPA<\/A> (Robotic Process Automation).
\nLos modelos no solo se\u00f1alar\u00e1n anomal\u00edas, sugerir\u00e1n soluciones, validar\u00e1n cambios y ejecutar\u00e1n scripts en entornos h\u00edbridos<\/strong> de m\u00e1quinas y personas trabajando juntas. Como Cyberpunk, pero sin implantes y exento de todo lo atractivo.
\nLa 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.
\nEso s\u00ed, el aprendizaje profundo no es una bala de plata<\/strong>, ni la llave para todas las puertas, como tratan de vender algunos. Pero s\u00ed es la clave para pasar de una monitorizaci\u00f3n reactiva a una gesti\u00f3n proactiva<\/strong> y m\u00e1s eficiente<\/A>.
\nEn lugar de apagar fuegos, que es de lo que est\u00e1n hechos los d\u00edas en IT, la clave es evitarlos gracias a la detecci\u00f3n de anomal\u00edas, predicciones de fallos y automatizaci\u00f3n de soporte que proporcionan las herramientas de Pandora.
\nY ahora, debo encontrar esa cinta VHS en el desv\u00e1n…<\/p>\nFAQs<\/h2>\n
\u00bfQu\u00e9 es el deep learning y c\u00f3mo se aplica en IT?<\/h4>\n
\nPandora FMS e ITSM lo utilizan para levantar el peso pesado de la monitorizaci\u00f3n, gesti\u00f3n y soporte.<\/p>\n\u00bfQu\u00e9 ventajas ofrece el deep learning frente al machine learning tradicional?<\/h4>\n
\u00bfC\u00f3mo mejora el deep learning la detecci\u00f3n de anomal\u00edas en IT?<\/h4>\n
\u00bfC\u00f3mo se aplica el aprendizaje profundo en ITSM y automatizaci\u00f3n del soporte?<\/h4>\n