¿Qué es la DataOps? Análisis colaborativo y transversal

Soy Digital

Esta es una disciplina emergente que une las funciones de los equipos de DevOps con las de los ingenieros de datos y científicos de datos para proporcionar a las empresas enfocadas en esta área las herramientas organizativas que los respalden.

CIO

“Está la tendencia moderna de desarrollo de DevOps, pero cada vez más personas inyectan algún tipo de funciones de ciencia de datos en las áreas de desarrollo y sistemas, por eso necesitas a alguien en el equipo de DevOps que tenga la mentalidad que se adquiere trabajando con datos”, dijo Ted Dunning, arquitecto jefe de aplicaciones en MapR Technologies y coautor de Machine Learning Logistics: Model Management In the Real World.

Principios de la DataOps

Al igual que la DevOps, el enfoque DataOps siguió la senda de la metodología ágil. Este enfoque prioriza la entrega continua de perspectivas analíticas con el objetivo principal de satisfacer al cliente.

Los equipos de DataOps valoran análisis que funcionan; miden el rendimiento de los análisis de datos según la información que entregan. Los equipos de DataOps aceptan el cambio y buscan comprender constantemente las necesidades cambiantes de los clientes.

Los equipos de DataOps son equipos. Se auto-organizan alrededor de objetivos y buscan reducir el “heroísmo” en función de equipos y procesos sostenibles y escalables.

Los equipos de DataOps buscan orquestar datos, herramientas, códigos y entornos de principio a fin. Es esencial que los resultados sean reproducibles. Los equipos de DataOps tienden a ver las tuberías analíticas como si fueran análogas a las líneas de manufactura.

¿Dónde es adecuada la DataOps?

Las empresas de hoy en día están inyectando cada vez más el aprendizaje automático a una amplia gama de productos y servicios. Y la DataOps es un enfoque orientado a apoyar las necesidades integrales del aprendizaje automático.

“Por ejemplo, este estilo hace más factible para los científicos de datos contar con el apoyo de la ingeniería de software para proporcionar lo que se necesita cuando se entregan los modelos al departamento de operaciones durante el despliegue”, escriben Dunning y la coautora Ellen Friedman, tecnóloga principal de MapR.

“El enfoque de DataOps no se limita al aprendizaje automático. Este estilo de organización es útil para cualquier trabajo orientado a datos, lo cual facilita aprovechar los beneficios que ofrece la creación de un tejido de datos global”, añadió.

También agregan que la DataOps encaja bien con las arquitecturas de microservicios.

Ver  más: ¿Cómo aprovechar el aprendizaje de las máquinas para el retail?

DataOps en la práctica

A medida que las empresas adoptan tecnologías de datos emergentes como estas, Dunning y Friedman dicen que es imperativo que éstas desarrollen su perspectiva para que mejoren su capacidad de trabajar con datos a escala y responder a los eventos del mundo real a medida que ocurren.

“Los roles tradicionalmente aislados pueden resultar demasiado rígidos y lentos para adaptarse bien a las organizaciones de big data que están pasando por una transformación digital”, escriben. “Ahí es donde un estilo de trabajo DataOps puede ayudar”.

El enfoque DevOps reúne a especialistas en desarrollo de software y en operaciones para alinear más estrechamente el desarrollo con los objetivos comerciales, acortar los ciclos de desarrollo y aumentar la frecuencia de despliegue. Hace mucho énfasis en tener equipos inter-funcionales que posean habilidades transversales a gremios como operaciones, ingeniería de software, arquitectura y planificación, y gestión de productos.

La DataOps agrega funciones de ciencia de datos e ingeniería de datos a esta mezcla con el objetivo de aumentar la colaboración y la comunicación entre desarrolladores, profesionales de operaciones y expertos en datos.

Dunning subraya que para alcanzar la coordinación que promete la DataOps es necesario integrar científicos de datos en el equipo de DataOps.

“No hagas diferencias entre ellos”, agrega. “Necesitan escuchar los comentarios de primera línea, recomendar las mismas soluciones, someterse a los mismos retos. Esa integración es el paso clave a seguir”.

Cómo construir un equipo de DataOps

Crear un equipo de DataOps no significa necesariamente que debas contratar nuevos especialistas. Friedman señala que muchas empresas ya tienen el núcleo de lo que es un equipo de DataOps en los equipos de DevOps existentes. El siguiente paso es identificar los proyectos que requieren un desarrollo intensivo de datos y a alguien con capacitación en datos. Esa persona puede incluso ser un ingeniero de datos en lugar de un científico de datos completo.

“Cuando estás buscando cubrir estas habilidades diferentes y juntarlas para lograr el objetivo común, eso no significa necesariamente que tengas que contratar un montón de personas para que llenen estos roles.Probablemente ya tienes a estas personas con las habilidades clave. Solo requieres una realineación para comprender cuáles son los roles clave”, reflexionó.

La parte importante, dice, es mejorar la colaboración entre los conjuntos de habilidades en pro de  la eficiencia y de un mejor uso del tiempo y la experiencia de las personas.

Dunning y Friedman coinciden que también es clave que los equipos de DataOps compartan un objetivo común: las necesidades impulsadas por datos de los servicios que respaldan.

Este artículo está clasificado como: ,

Comentarios

Para poder comentar debe iniciar su sesión:

INGRESAR