Cómo emplear el aprendizaje automático para mejorar el tiempo de respuesta de apps
Un estudio establece los motivos básicos de que se produzcan demoras en las aplicaciones y propone el machine learning como herramienta para mejorar el desempeño.
Uno de los problemas de los departamentos tecnológicos en las empresas es el retraso en la respuesta o el tiempo de inactividad a la hora de utilizar herramientas y aplicaciones. Esto puede desembocar en un periodo de latencia, que como mínimo dificulte el trabajo y, en el peor de los casos, tenga consecuencias importantes en la productividad de la compañía. Para contribuir a la resolución de estas situaciones, Nimble Storage ha realizado una investigación, mediante el análisis de más de 12.000 casos.
En el estudio Can Machine Learning Prevent Application Downtime?, la compañía establece los cinco grandes motivos por los que se suele llegar a estos retrasos en las aplicaciones, encontrando un culpable principal: en el 46% de los casos estudiados, estos problemas se debían a temas relacionados con el almacenamiento. Un 26%, se relacionaban con dificultades en la configuración. En menor porcentaje, entre el 11 y el 7%, se encuentran los temas vinculados a la interoperabilidad, a prácticas recomendadas que afectan el rendimiento y a otros elementos como el host.
Para enfrentarse a este tipo de situaciones y a las demoras que pueden desencadenar, desde Nimble abogan por el empleo de una serie de mecanismos basados en análisis predictivo y aprendizaje automático, que ayuden a mejorar una serie de capacidades. Mediante estas herramientas, se podría llegar a predecir causas potenciales de retardo e inactividad antes de que sucedan, hasta el punto de automatizar esta operación.
Cuando estas herramientas de predicción y automatización no se pongan en marcha, estas tecnologías plantean el desarrollo de herramientas de resolución prescriptiva, que aporte una rápida solución, y de análisis rápido de la causa raíz del problema. Además, mediante la analítica predictiva deberá poder realizar una aplicación cruzada de análisis, favoreciendo un tipo de soporte técnico basado en este tipo de estudio. Por último, se aboga por una medición de las métricas de disponibilidad en base a entornos reales.
