Tradicionalmente, el middleware se ha considerado un proceso en segundo plano. Las empresas pueden permitirse este nivel de sistemas y datos conectados con una supervisión mínima, pero esa autonomía ya no es proporcional a la escala y complejidad de los flujos de datos modernos.
Grandes empresas, minoristas e instituciones financieras realizan transacciones extensas a través de una red desconectada de middleware.
IBM MQ, Apache Kafka, Apache ActiveMQ, RabbitMQ y TIBCO son solo algunos de estos entornos, y cada uno crea un paso que introduce puntos de falla donde los datos pueden respaldarse por completo o detenerse.
Vicepresidente de Gestión de Productos, meshIQ.
Esta realidad ya no se alinea con la dirección hacia la que se dirigen las empresas. A medida que las organizaciones aceleran las inversiones en IA agente, la eficacia de esos sistemas depende cada vez más de su capacidad para comprender el entorno operativo en el que operan. Muchas organizaciones grandes están avanzando constantemente hacia volúmenes de escala de petabytes e incorporando IA agente en todos sus procesos.
Sin embargo, ignoran la necesidad de asegurar las bases sobre las que se construyen estas inversiones adicionales. Estas mejoras tecnológicas dependen de una comprensión profunda de los sistemas operativos y una sólida base de aplicaciones. A medida que las operaciones impulsadas por la IA y los altos volúmenes de transacciones se convierten en la norma, los equipos de middleware ya no pueden permitirse el lujo de depender de una supervisión aislada y de estructuras fragmentadas para sus sistemas de middleware.
Cerrar la brecha contextual para las operaciones de IA
En todas las industrias, la IA agente requiere conocimiento de los sistemas para funcionar de manera efectiva. En un artículo reciente de McKinsey & Company, el 33% de las organizaciones citó las limitaciones de los datos y el 29% citó las limitaciones de la plataforma tecnológica como las tres principales barreras para escalar la IA.
Estos desafíos son especialmente pronunciados para las empresas con entornos de middleware complejos y fragmentados. En muchas empresas, estas limitaciones no se deben a la falta de inversión en IA, sino más bien a un entorno operativo fragmentado que impide que los sistemas accedan al contexto empresarial completo.
Sin una visión interconectada de toda la organización, la IA agente tiene dificultades para comprender cómo los intermediarios, las colas, los temas, las rutas y las dependencias encajan en un entorno real. Esto significa que la IA puede generar conocimientos, pero no puede reflejar plenamente la realidad del entorno operativo. En la práctica, puede parecer un sistema middleware que enfrenta una “pequeña” discrepancia que en realidad es un gran problema bajo la superficie.
Por ejemplo, una acumulación de cola en un intermediario puede parecer aislada, pero puede indicar una falla mayor en la aplicación posterior o una posible limitación de la arquitectura. En un entorno minorista, esto puede manifestarse como un retraso en el procesamiento de pedidos, mientras que en los servicios financieros puede afectar los flujos de trabajo de pago y la experiencia del cliente. Interpretar mal estas señales es problemático porque los equipos de middleware operan con poco o ningún margen de error.
Gran parte de la información necesaria para crear un contexto operativo en la creciente telemetría empresarial ya existe. El desafío radica en la escala de evaluación de los operadores de datos.
De la sobrecarga de datos a la inteligencia operativa
Las empresas están construyendo repositorios de telemetría cada vez más grandes, que ofrecen un potencial significativo. No hay escasez de datos y, si las organizaciones los analizan adecuadamente, los líderes tecnológicos pueden usarlos para alejarse del monitoreo reactivo y desarrollar conocimientos predictivos. Los problemas surgen al intentar gestionar estos datos en tiempo real y detectar señales con tiempo suficiente para actuar.
El volumen de esta telemetría de middleware suele ser demasiado denso para que los operadores puedan evaluarlo manualmente, lo que la hace potencialmente obsoleta sin una forma práctica de analizarla. Las empresas necesitan formas de conectar esta información con el comportamiento real del sistema a escala. Los datos brutos pueden mostrar lo que sucedió, pero el panorama general del desempeño de las empresas requiere una comprensión más amplia de lo que significan esas señales.
IA y telemetría trabajando juntas
Las organizaciones deben correlacionar las actividades operativas a través de la telemetría tradicional y en tiempo real para evitar que los crecientes volúmenes de datos obstaculicen la detección de problemas. Esto significa establecer una base de telemetría que permita a las empresas ver todo el entorno de producción.
Con una base sólida, la inteligencia predictiva está posicionada para ingerir, indexar y buscar datos sin interrumpir los flujos de trabajo de producción. Los datos operativos históricos, incluidas las rutas de comunicación y las rutas de procesamiento, pueden ayudar a la IA a leer señales, detectar problemas tempranamente y responder con rapidez y precisión. La IA puede interpretar eventos individuales en el contexto de aplicaciones, flujos de mensajes, rutas de transacciones y resultados comerciales.
Con el contexto operativo, la IA agente puede identificar anomalías con mayor precisión y proporcionar recomendaciones basadas en una comprensión más profunda del comportamiento del sistema en todas las plataformas y entornos. Puede recopilar datos a lo largo del tiempo y mostrar oportunidades de optimización para la profundidad de la cola y el flujo de mensajes, automatizando cosas como pruebas de conexión iterativas y análisis de registros, entre otras funciones.
Este marco proporcionará recomendaciones basadas en la realidad empresarial y permitirá a los equipos de middleware romper con el registro rutinario y centrarse en diseñar arquitecturas escalables para flujos de datos empresariales.
Construyendo para un futuro impulsado por la IA
Las empresas ya no pueden tratar la capa de middleware como una ocurrencia de último momento. Las arquitecturas de integración fragmentadas brindan poca visibilidad a nivel de transacciones y permiten que los errores pasen desapercibidos.
El aumento de datos y el análisis basado en IA están exponiendo las limitaciones de estos estándares de middleware heredados. Las organizaciones necesitan una supervisión completa de los sistemas interconectados que llevan una transacción de un paso a otro, así como telemetría y conectividad entre actividades comerciales.
Cuando las empresas construyen una base sólida de contexto operativo, la IA puede ayudarlas a pasar de una conciencia reactiva a conocimientos que predicen lo que podría salir mal en el futuro. En este entorno, las empresas que avancen serán aquellas que utilicen la inteligencia artificial y la telemetría para convertir los datos sin procesar en resultados comerciales significativos.
A medida que madure la adopción de la IA empresarial, la ventaja competitiva dependerá cada vez más no sólo de la sofisticación de los modelos de IA, sino también de la calidad del contexto operativo disponible para ellos.
Hemos revisado, calificado y clasificado los mejores servicios de respaldo en la nube..
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
