Vivimos en un mundo que no descansa. 24 horas al día, 7 días a la semana, 365 días al año, los clientes, proveedores, partners, directivos y empleados de cualquier tipo de empresa interactúan con la organización a través de internet, de dispositivos móviles, en la oficina, en un aeropuerto… Hay una exigencia, por lo tanto, para mantener la continuidad de los servicios informáticos. Las caídas de los sistemas y de las aplicaciones de negocio pueden tener consecuencias catastróficas.
Para los administradores de TI es vital poder prever la caída de los sistemas corporativos y tomar medidas preventivas. Pero esto es una tarea sumamente compleja. Sin embargo, en plena era digital, las aplicaciones e infraestructuras deben garantizar su disponibilidad, puesto que cualquier caída o fallo puede derivar en inconvenientes tales como gastos sobrevenidos, pérdida de ingresos, e incluso en un descalabro para la reputación de la marca.
Las necesidades de negocio actuales han ido incrementando la presión sobre los departamentos de Tecnologías de la Información (TI) y esto se agrava cuando al CPD se añaden arquitecturas y aplicaciones en la nube, entornos híbridos o multicloud, y tecnologías de diferentes fabricantes. Las soluciones de monitorización tradicionales crean silos de información que son ineficientes y también difíciles de implementar y mantener, al tiempo que desalientan la colaboración entre todos los departamentos de la empresa.
Diagnosticar y solucionar los problemas del Data Center usando Inteligencia Artificial, en su modalidad de Machine Learning, es ya posible. Usando estas tecnologías se obtiene una visión unificada y global del centro de datos, con independencia de que se opere on premise, en cloud, multicloud, en nube híbrida o con herramientas de diferentes fabricantes. En este sentido, los CTOs, CIOs, técnicos de sistemas, arquitectos IT, responsables de operaciones de las empresas más punteras monitorizan ya sus sistemas e infraestructuras TI con el objetivo de detectar anomalías y corregirlas antes de que se produzca una caída que pueda poner en riesgo la continuidad del negocio.
Esa supervisión no siempre está automatizada por lo que puede dar lugar a fallos. Incorporando técnicas de Machine Learning a los sistemas es posible incrementar la disponibilidad de los sistemas puesto que detecta rápidamente cualquier incidencia en virtud de unas métricas de estado que abarcan desde las infraestructuras hasta los servicios.
Las herramientas de monitorización de Oracle que integran Machine Learning pueden gestionar entornos complejos y heterogéneos, y contribuir a minimizar los tiempos de caída en las aplicaciones e infraestructura de forma sencilla y ágil. Por esta vía se logra minimizar la carga de trabajo y las posibilidades de error humano.
En línea con esta tendencia, que dominará la informática empresarial, de cara a los próximos años, Oracle trabaja en el desarrollo del “Software Autónomo”, que persigue que sean las propias soluciones las que, de modo independiente, adopten determinadas decisiones tales como asignar recursos adicionales o de emergencia con el propósito de minimizar un error o fallo de alguno de los componentes del sistema.
