MLOps, DevOps, DataOps son alguno de los términos que vemos cada vez con más frecuencia para referirse a ciertas operaciones de IT. Cada uno de ellos se refieren a diferentes áreas y tiene especificidades que los hacen únicos, aunque en ocasiones la barrera que delimita unos y otros es realmente difusa. Veamos una breve descripción de alguno de ellos.
ITOps
Con ITOps nos referimos a Information Technology Operations, es decir, a las operaciones relacionadas con IT.
El objetivo de ITOps es hacer que la empresa pueda operar de manera correcta utilizando los servicios tecnológicos. Dicho de otra manera, se encarga de suministrar y mantener todos los servicios, aplicaciones y tecnologías necesarios para el funcionamiento normal de la empresa. Esto incluye la gestión de redes, gestión de sistemas y software, asistencia técnica, etc. Este tipo de operaciones ha quedado desfasado, entre otras razones, por los cambios tecnológicos constantes, por el ritmo de los negocios que necesita agilidad en IT y por la necesidad de agilidad en innovación y adaptación.
CloudOps
Es semejante a ITOps pero con un foco exclusivo en el mundo cloud. Podemos decir que ITOps está dirigido a los centros de datos tradicionales, mientras que CloudOps es para los entornos cloud. Aunque algunas tareas pueden ser parecidas, encontramos otras tareas completamente distintas como los procesos de automatización singulares a cada proveedor de servicios cloud y los aprovisionamientos y escalabilidades automáticas. Y aquí podemos encontrar el primer roce. ¿Qué pasa con los entornos híbridos?
DevOps
DevOps es la contracción de desarrollo y operaciones (Development and Operations) y es una combinación de desarrollo de aplicaciones de software, calidad, ITOps y seguridad, por eso a veces lo vemos como DevSecOps.
De todos los Ops, este es el más conocido y sirve de base para casi todo el resto de ellos. El efecto más beneficioso que podemos constatar es el acortamiento del ciclo de vida del desarrollo del software, trayendo consigo una mejor adaptación a las necesidades puntuales del mercado por tener un menor Time To Market. Del mismo modo, al realizar pruebas continuas, aseguramos la calidad del producto entregado evitando retrabajar y los errores en producción.
DevOps se centra en mejorar los tiempos y calidad de entrega de software mediante ciclos de construcción-prueba-despliegue utilizando las técnicas como el test continuo, gestión integral de las configuraciones o la integración y entrega continua (también llamadas CI/CD). Sólo por clarificar, DevOps y Agile no son lo mismo, sino que de alguna manera se complementan. La mayoría de los equipos de DevOps siguen la metodología Agile para los ciclos de diseño/desarrollo, comenzando a construir poco a poco y de manera incremental, obteniendo una retroalimentación temprana.
NetOps
El incremento de equipos trabajando en aplicaciones realizadas mediante DevOps, ha traído consigo un aumento de peticiones y requerimientos hacia el equipo de operaciones de red, quienes tienen además la misión de preservar la disponibilidad de las redes, su seguridad y su escalabilidad. Atender a su misión a la vez que atender a las necesidades de los equipos DevOps y no entorpecer su agilidad no es tarea fácil. La manera en la que se configuran y actualizan tradicionalmente las redes no es suficientemente ágil para los entornos actuales, es donde aparece NetOps.
Mediante NetOps, se automatizan tereas de aprovisionamiento y configuración de las estructuras de red necesarias para el uso de las nuevas aplicaciones y plataformas.
Aunque NetOps tiene una parte de tecnología, tiene también una parte de mentalidad que puede requerir cambios culturales en la empresa.
Al igual que SecOps, NetOps nos lo encontramos a veces embebido en el propio concepto de DevOps.
PlatformOps
Posiblemente sea el término más nuevo de todos los que explicaremos en este post.
Cuando una compañía tiene múltiples equipos de DevOps, cada uno con sus metodologías y con sus herramientas de monitorización, seguridad y resiliencia, se hace muy difícil escalar y obtener una plataforma completa a partir de estos retales de aplicaciones. Es aquí donde entra el equipo de PlatformOps.
PlatformOps se encarga de proporcionar una estructura y servicios para los procesos de DevOps, haciendo que los equipos DevOps puedan acceder a recursos centralizados e interoperar entre ellos de una manera más eficiente. El equipo debe mantener un repositorio interno de recursos que funcione como plataforma de autoservicio, incluyendo todo lo que los desarrolladores necesiten para disponer de un flujo DevOps automatizado. De este modo, en lugar de preocuparnos por las herramientas y la infraestructura, los desarrolladores pueden centrarse en crear software. Hay que tener cuidado en que PlatformOps no se vea como una recentralización de los procesos y recursos de IT, sino que su valor reside en habilitar la cooperación de equipos DevOps, la reutilización de elementos entre aplicaciones y la coordinación de estas. Así, podremos ofrecer soluciones con un enfoque de plataforma, que se adapten a las necesidades de las nuevas empresas componibles manteniendo la agilidad y la seguridad.
BizDevOps
Tradicionalmente, cuando hablamos de DevOps, no se suele tener en cuenta a negocio; aunque también es cierto, que los equipos más maduros si suelen incluir personas de este ámbito. BizDevOps es el término utilizado para recalcar que, en los equipos de DevOps, negocio tiene una participación activa incorporando personas, de manera que la visión tecnología-negocio está cubierta; es por ello que en ocasiones se le denomina DevOps 2.0. Así conseguiremos que los equipos DevOps sean mucho más responsables de que las entregas tengan un valor real de negocio.
NoOps
NoOps es la contracción de No IT Operations, y se refiere a un enfoque que puede resultar altamente beneficioso (aunque con riesgo) para empresas con alta madurez tecnológica y puede tener un papel importante en el desarrollo y mantenimiento del nuevo software desarrollado.
La idea de NoOps se basa en que los desarrolladores (o en general la gente de DevOps), no se deben preocupar de las operaciones y se pueden centrar completamente en el desarrollo de la funcionalidad del software.
Con NoOps, todas las operaciones están automatizadas, eliminando el riesgo inducido por el factor humano y acelerando el proceso. Todo lo que se puede automatizar se automatiza, eliminando de la ecuación del día a día a los equipos de ITOps
El uso de infraestructura como código (IaC) y funciones serverless, son dos herramientas importantes que solemos encontrarnos en entornos NoOps.
Además del aumento de velocidad en las operaciones del día a día y de eliminar el error humano en éstas, NoOps nos trae otra ventaja y es que el equipo de ITOps puede centrar sus esfuerzos en trabajar en avances tecnológicos e innovación en lugar de estar lidiando con tareas monótonas como mantenimientos o backups.
No todo brilla en NoOps. El uso indiscriminado de IaC y funciones serverles, puede acarrear unos costes muy altos, poniendo en alto riesgo los presupuestos. Del mismo modo, perdemos el control sobre ciertos aspectos de la infraestructura como el escalado, lo que puede ser crítico en muchas ocasiones. Es por esto que NoOps en ocasiones se tilda como una práctica de riesgo.
DataOps
La idea detrás de DataOps es proporcionar un entorno de trabajo semejante a DevOps, pero aplicado a los pipelines encargados de gobernar el flujo de datos desde las fuentes hasta su consumo analítico; es la manera en la que los ingenieros de datos y DevOps trabajan juntos. Más allá de los retos que presenta DevOps, en el caso de DataOps tenemos que enfrentarnos, además, a la dificultad de extraer datos suficientemente representativos para las pruebas, sin violar la confidencialidad/privacidad de estos. Como consumidores de estos datos podemos encontrar desde informes de BI tradicionales hasta modelos avanzados de ML por lo que la diversidad de procesos en el tratamiento de los pipelines está asegurada.
Mediante la automatización de estos pipelines, aceleraremos el ciclo de entrega del dato desde su conceptualización hasta la obtención del producto que entregue valor al negocio, a la vez que reducimos tiempos y mejoramos la calidad al reducir el riesgo de factor humano.
Cuando hablamos de calidad en el análisis de datos, debemos procurar la calidad de las bases de datos, del código de análisis, de los pipelines de extracción y por supuesto de los datos que fluyen a través de esos pipelines. Gracias a DataOps podremos orquestar los diferentes data pipelines de extracción y proceso que tengamos y controlar la calidad del dato a través de todas las etapas, y todo ello de manera automática y reproducible.
MLOps
Es la contracción de ML Operations y se refiere al proceso de gestión de los workflows de ML (Machine Learning). Más adelante veremos ModelOps, que es otro concepto muy relacionado con este y que en ocasiones se intercambian y se usan indistintamente; pero siendo precisos, podemos decir que MLOps es un subconjunto de ModelOps. MLOps se centra en la práctica de construir, desplegar y mantener modelos de ML utilizando principios y técnicas de DevOps como los pipelines CI/CD. MLOps surge para dejar en manos de los ingenieros ML la gestión de sus workflows en lugar de depender de los equipos de datos e infraestructura que hacían más lentos los despliegues. Alguna de las actividades que se realizan en este ámbito son el entrenamiento y reentrenamiento automático, despliegue de modelos e integración con pipelines de datos y workflows de extracción, monitorización del rendimiento del modelo en producción, detección de data drift, integración de resultados con procesos empresariales y otras.
ModelOps
Podemos considerar a ModelOps como una entidad superior que engloba MLOps. ModelOps está dirigida a los procesos implicados para operacionalizar y gestionar los modelos de AI (Artificial Intelligence) en general para los sistemas de producción. La diferencia entre ModelOps y MLOps es que MLOps pone solamente foco en los modelos de aprendizaje automático (ML), mientras que ModelOps abarca las operaciones de todos los modelos de inteligencia artificial (AI). Lógicamente, al ser un ente más complejo, para las empresas es más sencillo comenzar implementando únicamente MLOps y luego derivar a ModelOps.
AIOps
AIOps es la contracción de Artificial Intelligence for IT Operations y con ello nos referimos a la forma en que las organizaciones de IT gestionan los datos y la información en sus entornos utilizando la inteligencia artificial. Su objetivo principal es mejorar las operaciones de IT mediante el uso de múltiples fuentes de datos y su análisis, para automatizar tareas que de otra forma, deberían ser realizadas por ingenieros, que ahora pueden ser aprovechados para tareas de mayor valor. Así conseguiremos prevenir incidentes, reducir el tiempo de resolución y optimizar el uso de los recursos de IT.
En lugar de aplicar principios DevOps a un dominio de software (como vimos en otros casos), se supervisan los datos del entorno de IT (sistemas, logs, redes, eventos, métricas, etc.) y se actúa en relación al análisis obtenido. AIOps agrega diferentes datos de operaciones de IT; se encarga de las cargas de trabajo de otros Ops para obtener modelos que correlacionen eventos, determina causalidades, detecta anomalías; y automatiza las acciones que se desprendan de los resultados del análisis de los datos.
Dentro de AIOPs podemos encontrar técnicas muy variadas como reconocimiento de patrones o analítica avanzada de datos.
XOps
Hemos visto que existen muchos Ops que se complementan unos a otros en el día a día. Es aquí donde aparece el término XOps para referirse a múltiples de estas operaciones.
El objetivo de XOps es usar las mejores prácticas de DevOps para habilitar la reutilización y repetitividad habilitando creación de una pila tecnológica empresarial que permita la automatización y reduzca las duplicidades tecnológicas y de proceso, incluyendo DataOps, MLOps, ModelOps , PlatformOps, etc.
XOps es una idea desarrollada con un propósito global: la productivización de la IA para aportar valor a negocio.
Dado que XOps incluye diferentes departamentos y flujos de trabajo bajo su paraguas, favorece la colaboración entre unidades. Esto ayuda a romper los silos que se hayan podido producir dentro de una empresa bien por la propia organización, cultura o equipos Ops, mejorando así la eficiencia de la organización.