La revolución en tiempo real está aquí, pero está distribuida de manera desigual.
The real-time revolution is here, but it is distributed unevenly.
Si escuchas suficientes charlas de conferencias, presentaciones de proveedores y declaraciones de analistas, se te puede perdonar por asumir que todas las organizaciones en el planeta ahora pueden detectar y responder, en tiempo real, a eventos en milisegundos de haber ocurrido.
Aunque esto aún no es el caso, hay una buena razón para el ansia de tiempo real. Todas las nuevas cosas emocionantes que están surgiendo: inteligencia artificial, análisis predictivo, sistemas integrados, aplicaciones de streaming, monitoreo de ubicación en tiempo real y sistemas de alerta, dependen de la tecnología en tiempo real para funcionar. Sin embargo, el tiempo real aún está en pleno desarrollo.
También: Ubuntu en tiempo real ya está disponible en AWS Marketplace, y es ideal para prototipos rápidos
Las encuestas de la industria muestran cómo el tiempo real es más un sueño que una realidad. Por ejemplo, en la gestión de la cadena de suministro, mientras que el 77% de los ejecutivos buscan activamente visibilidad en tiempo real de los envíos, solo el 25% lo utiliza actualmente, según una encuesta de Tive. De manera similar, solo el 23% de las empresas en una encuesta realizada por Unisphere Research y ChaosSearch indican que la información está disponible para los usuarios finales en tiempo real.
La falta de capacidad en tiempo real puede ser aceptable para la mayoría de las situaciones. “La mayoría de las empresas no necesitan datos en tiempo real”, dice Nick Amabile, CEO de DAS42. Todo depende de si el requisito es operativo o analítico. “Los sistemas operativos a menudo requieren datos en tiempo real para casos de uso relacionados con la seguridad de la información, como el monitoreo de amenazas de seguridad, esfuerzos de personalización en marketing, logística, tendencias de envío, optimización de costos, mejora de la experiencia del cliente, detección de fraudes y estrategias de negociación”, dice Amabile.
- Stability AI acaba de presentar un generador de texto a música, y t...
- ¿Alguna vez has deseado que tu vida tuviera una banda sonora? La nu...
- Atención a la brecha de confianza las preocupaciones sobre los dato...
También: Lo que dicen los analistas tecnológicos sobre el futuro de la inteligencia artificial
Por otro lado, las necesidades analíticas pueden tener cierto grado de latencia. “Para casos de uso analíticos, primero definimos un acuerdo de nivel de servicio (SLA) para la latencia aceptable”, dice Amabile. “Tal vez los informes dirigidos a los usuarios deben ser en tiempo real, pero los informes ejecutivos pueden tener horas de antigüedad. Por ejemplo, a menudo los interesados solicitan datos y reportes en tiempo real para casos de uso donde el procesamiento por lotes aún puede ser aceptable.”
Los gerentes también pueden querer ser selectivos en lo que se convierte en tiempo real, ya que también implica mejoras extensas y costosas en la infraestructura. “Existe una gran disparidad en el nivel de preparación para implementaciones en tiempo real en diferentes organizaciones”, dice Tyson Trautmann, VP de ingeniería de Fauna. “Las organizaciones más grandes, especialmente aquellas en industrias centradas en tecnología como finanzas, comercio electrónico y servicios tecnológicos, a menudo tienen infraestructuras sólidas capaces de manejar datos en tiempo real. Pero estas capacidades a menudo se construyeron agregando capas complejas sobre productos heredados que no admitían nativamente datos en tiempo real”. Esto también crea una “alta carga operativa”, agrega Trautmann.
También: Informe sobre el estado de las TI: el 90% de los líderes en TI dice que la IA generativa pronto será común
¿Vale la pena el esfuerzo y el gasto de hacer el cambio? “La infraestructura y la complejidad para construir, ejecutar y operar sistemas en tiempo real a menudo no están en línea con los beneficios de pasar de lotes a verdadero tiempo real”, dice Amabile. “A menudo, el tiempo casi real es tan valioso como el tiempo real verdadero para la mayoría de los casos de uso”.
Dado que el tiempo real también implica mover datos analíticos a gran velocidad desde la fuente hasta el sistema, se debe tener cuidado para asegurar que estos datos sean verificados y confiables. “El crecimiento de los datos ha creado una gran cantidad de complejidad para las empresas en cuanto a su gobierno, administración y evaluación, a menudo con conjuntos de datos amplios de muchas fuentes diferentes”, dice Sam Pierson, vicepresidente senior de Qlik. “Es crucial que las organizaciones tengan una estrategia de datos sólida e infraestructura para garantizar que los datos más recientes, provenientes de fuentes válidas y confiables, sean los que se utilicen en tiempo real, o de lo contrario, las decisiones probablemente conducirán a resultados incorrectos”.
Los problemas de calidad de datos deben abordarse desde el principio. “Con los datos en tiempo real, a menudo hay menos tiempo para limpiar y preparar los datos antes de su uso”, dice Trautmann. “Esto puede llevar a decisiones basadas en datos incompletos o inexactos, lo que puede dar lugar a malos resultados”.
También: 5 tecnologías que transformarán las empresas, según Gartner El tema de la confianza en tiempo real “está adquiriendo aún más importancia en un mundo donde la IA generativa está creciendo en interés y uso”, dice Pierson. “Poder confiar en los datos que se proporcionan a los empleados, sabiendo con certeza que son válidos y adecuados para su uso, es esencial para mantener el cumplimiento normativo y la seguridad y gobierno de datos, al tiempo que permite tomar decisiones en el momento adecuado que tengan el impacto correcto”.
Un sistema en tiempo real o de transmisión que funcione bien y sea confiable “requiere una arquitectura, infraestructura y habilidades de programación complejas más allá del alcance de un equipo típico de ciencia de datos o ingeniería de datos”, dice Amabile. “Además, hay muchas otras consideraciones que deben hacerse en torno a la implementación y despliegue, monitoreo y registro, gobernabilidad, seguridad e integración entre aplicaciones empresariales, aplicaciones de atención al cliente y sistemas de análisis”.
La buena noticia es que existen herramientas y plataformas que hacen que el tiempo real sea más real, incluso para organizaciones más pequeñas o medianas con presupuestos de TI limitados. En la última década, “la aparición de nuevas ofertas de infraestructura en tiempo real ha permitido a una gama mucho más amplia de organizaciones aprovechar las capacidades en tiempo real”, dice Trautmann.
“Los proveedores de servicios en la nube como Amazon Web Services, Google Cloud y Microsoft Azure han lanzado servicios administrados adaptados para el procesamiento en tiempo real, incluidos los servicios de datos en streaming y análisis en tiempo real”, dice. “El surgimiento de bases de datos distribuidas, en memoria y de series temporales aborda la necesidad de cargas de trabajo eficientes de datos en tiempo real. Ofertas de código abierto como Apache Kafka, Apache Flink y Apache Storm también han enriquecido aún más el ecosistema de procesamiento de datos en tiempo real”.
También: AI generativo y la cuarta razón: Construyendo confianza con su cliente
Además, “el crecimiento de la informática de borde también ha mejorado el procesamiento en tiempo real, especialmente para aplicaciones de IoT, mientras que el potencial de la tecnología 5G para una menor latencia y mayores capacidades de manejo de datos abre nuevas fronteras para las aplicaciones en tiempo real”, agrega Trautmann.
Sin embargo, “la adopción de infraestructura de datos en tiempo real está distribuida de manera desigual en la actualidad”, dice Pierson. “A menudo vemos diferencias entre industrias más enfocadas en tecnología, que tienden a adoptar patrones en tiempo real más temprano, en comparación con industrias como el comercio electrónico y las finanzas, que pueden tardar más tiempo. La mayoría de las organizaciones también tienen una miríada de tecnologías de gestión de datos y proveedores de servicios en la nube, lo que crea complejidad y complicaciones al acceder y entregar datos en tiempo real. La gobernabilidad y las regulaciones de privacidad son otro factor complicador”.
