En la actualidad, las organizaciones necesitan ir más allá de un enfoque tradicional basado en la correlación para identificar las causas y efectos subyacentes de un evento o comportamiento y mejorar la automatización de DevOps. Aquí es donde entra en juego la inteligencia artificial causal.
Las organizaciones de hoy en día necesitan resolver problemas humanos cada vez más complejos, lo que hace que los avances en inteligencia artificial (IA) sean más importantes que nunca. Los enfoques convencionales de ciencia de datos y plataformas de análisis pueden predecir la correlación entre un evento y las posibles fuentes. Pero a menudo fallan cuando se trata de comprender por qué ocurrió un evento. Ahí es donde la IA causal, también conocida como IA determinista, marca una diferencia crucial.
¿Qué es la IA causal?
La IA causal es una técnica de inteligencia artificial utilizada para determinar las causas y efectos exactos subyacentes de eventos o comportamientos. A diferencia del aprendizaje automático basado en la correlación, que calcula probabilidades basadas en estadísticas, la IA causal utiliza el análisis de árbol de fallas para determinar fallas a nivel de sistema basadas en fallas a nivel de componente. Con este enfoque sistemático y de arriba hacia abajo, la IA causal y los modernos AIOps deterministas proporcionan una base determinante para la detección automática de anomalías, el análisis de causa raíz, la clasificación de riesgos de seguridad y la evaluación del impacto comercial.
La IA causal se basa en datos de apoyo, como relaciones, dependencias y otros contextos entre entidades y eventos de red. Con este contexto, la IA causal determina la causa raíz precisa de un problema. Este enfoque ayuda a los equipos a desarrollar modelos o intervenciones efectivas para el cambio, al tiempo que predice su efectividad potencial. Puede aumentar la confianza en la toma de decisiones comerciales y de TI al conectar claramente los eventos con un resultado previsto o no previsto.
La calidad determinista de la IA causal también puede servir como base para recomendaciones confiables de las tecnologías emergentes de IA generativa.
¿Por qué es importante la IA causal?
La mayoría de los enfoques de AIOps utilizan análisis predictivos que aplican algoritmos y aprendizaje automático a datos históricos para predecir resultados futuros. Este resultado podría ser un pico de CPU que evoluciona hacia una falla del sistema. El análisis predictivo ayuda a una organización a administrar recursos y mejorar los tiempos de respuesta ante incidentes.
Este punto ciego entre la causa subyacente y el efecto resultante puede llevar a sesgos indeseados y a una toma de decisiones deficiente. El análisis predictivo puede observar un evento y predecir que ocurrirá un resultado, pero no puede demostrar que el resultado ocurrió debido al evento. En otras palabras, la correlación no implica causalidad.
Por otro lado, la IA causal identifica la causa subyacente de un evento y su relación precisa con el resultado. Las organizaciones pueden utilizar marcos y algoritmos de IA causal para hacer preguntas y obtener una comprensión más profunda de sus casos de uso de CloudOps, DevOps y SecOps. Por ejemplo, estas preguntas pueden incluir lo siguiente:
- ¿Por qué los clientes no completan sus transacciones?
- ¿Qué está causando la pérdida de clientes?
- ¿Por qué esta aplicación es lenta en ciertos momentos del día?
Además, el enfoque determinista de la IA causal puede determinar la relación causa-efecto de eventos a partir de una combinación de métricas, trazas y datos de registro, así como datos de comportamiento del usuario y otros detalles. De esta manera, los equipos pueden resolver incidentes de inmediato para evitar interrupciones en el servicio y mantener a la organización en cumplimiento de los acuerdos de nivel de servicio.
IA basada en correlación vs. IA causal: Diferencias
Los modelos de aprendizaje automático basados en correlación predicen resultados a partir de relaciones estadísticas y son útiles en muchos escenarios. Por ejemplo, reconocimiento facial, compras personales y mantenimiento predictivo.
Sin embargo, las limitaciones de la IA basada en correlación se hacen evidentes cuando los equipos necesitan determinar cómo una acción afectaría un resultado. Si bien los modelos predictivos pueden identificar la probabilidad de que ocurran ciertos eventos positivos o negativos, no pueden explicar cómo llegaron a esa predicción. Tampoco pueden identificar los factores subyacentes y las relaciones causa-efecto.
La IA basada en correlación y la IA causal tienen algunas diferencias adicionales, que incluyen las siguientes:
| IA basada en correlación | IA causal |
|---|---|
| Se basa en estadísticas para proporcionar suposiciones sobre lo que está sucediendo. | Puede rastrear y explicar claramente lo que está sucediendo en cada paso basado en datos contextuales específicos. |
| Es probabilística y requiere que los humanos verifiquen la precisión de los resultados. | Se basa en hechos y, por lo tanto, puede realizar análisis automatizados. |
| Solo puede hacer predicciones con una capacidad limitada para explicar un evento. | Proporciona detalles sobre cómo llegó a una conclusión. |
| Necesita ser verificada en busca de sesgos debido a las limitaciones de diversos datos, algoritmos o muestreos. | Se basa en datos reales y no en datos de entrenamiento, por lo que no es propensa a problemas de sesgo. |
| Puede estar completamente equivocada en situaciones nuevas. | Puede adaptarse a nuevas situaciones y descubrir lo desconocido. |
¿Cómo funciona la IA causal?
La IA causal funciona básicamente en dos pasos. Primero, recopila información y problemas dentro del conjunto de datos. Luego, busca relaciones causales que ayuden a explicar esos problemas utilizando un plan diseñado a partir de los datos recopilados.
Para comprender mejor cómo funciona la IA causal, es importante entender el análisis de árbol de fallas, una metodología de análisis de causalidad basada en datos. El análisis de árbol de fallas utiliza la lógica booleana para explorar fallas a nivel de sistema. Es un enfoque de arriba hacia abajo utilizado para identificar la falla a nivel de componente, o evento básico, que causó la falla a nivel de sistema, o evento superior.
La IA causal que utiliza el análisis de árbol de fallas funciona de la siguiente manera:
- Define el alcance del sistema y lo que se considera una falla.
- Define las fallas de nivel superior y el punto de inicio del análisis con detalles de la falla.
- Identifica eventos precipitantes que podrían causar que ocurra la falla de nivel superior, ya sea solos o con múltiples eventos concurrentes.
- Encuentra las causas raíz de cada evento precipitante y secuencia de eventos.
- Analiza el árbol de fallas buscando los eventos que conducen a la falla o tienen más probabilidades de fallar.
Con la certeza de este enfoque sistemático, los equipos pueden obtener información sobre formas de mitigar los caminos hacia la falla y respaldar las mejoras del sistema y la automatización de resoluciones.
Aplicación de la IA causal en su organización
Dynatrace Davis® AI ofrece un análisis causal continuo a nivel de código que mapea y comprende las relaciones entre todas las redes, aplicaciones y servicios de una organización. Utilizando el análisis de árbol de fallas, este enfoque de IA causal combina sin problemas el contexto topológico con los datos métricos para identificar rápidamente señales de observabilidad para cualquier comportamiento de interés. El análisis proporciona información sobre cada entidad que se ve afectada por un problema, lo que permite a los desarrolladores resolver problemas sin tener que reproducir errores.
Con su enfoque de IA determinista, la IA causal proporciona la base perfecta para automatizar respuestas y proporcionar hechos para recomendaciones confiables de IA generativa.
Si quieres conocer otras notas parecidas a Inteligencia artificial causal: causas y efectos subyacentes puedes visitar la categoría Inteligencia.