Radar Tecnológico

Se han visto movimientos significativos en el ámbito de la observabilidad, impulsados por la creciente complejidad de las arquitecturas distribuidas. Si bien la observabilidad siempre ha sido esencial, ésta ha seguido evolucionando junto con el resto del ecosistema de desarrollo de software. Uno de estos focos emergentes es la observabilidad de los grandes modelos de lenguaje (LLM, por sus siglas en inglés), pieza clave para la operacionalización de la IA. Hemos visto un aumento en las herramientas para monitorizar y evaluar el rendimiento de los LLM, incluyendo Weights & Biases Weave, Arize Phoenix, Helicone y HumanLoop. Otra tendencia es la integración de la observabilidad asistida por IA, en el que las herramientas aprovechan la inteligencia artificial para mejorar el análisis y la obtención de información. Además, la creciente adopción de OpenTelemetry está fomentando un panorama de observabilidad más estandarizado, permitiendo a los equipos mantenerse independientes de proveedores y ser más flexibles en la elección de sus herramientas.

Muchas de las principales herramientas de observabilidad; como Alloy, Tempo o Loki, ya son compatibles con OpenTelemetry. La súbita innovación en las herramientas de observabilidad demuestra una creciente concienciación de la industria sobre su importancia, creando un ciclo de retroalimentación en el que las prácticas y tecnologías en evolución se refuerzan mutuamente.

Big data ha sido una preocupación para la industria durante mucho tiempo, pero las conversaciones en torno a esta edición del Radar se centraron no tanto en el tamaño, sino más específicamente en el manejo de datos ricos y complejos. Con la creciente presencia, e importancia, de los datos no estructurados en la empresa, garantizar que los datos se gestionen y empaqueten de manera efectiva para que puedan aprovecharse con éxito para todo, desde aplicaciones de IA hasta análisis de clientes, es hoy vital para las empresas.

Esto se refleja en varios blips: desde herramientas de bases de datos vectoriales hasta productos de análisis como Metabase, es sorprendente cuánto del ecosistema de software está siendo impulsado por lo que queremos y necesitamos hacer con los datos. Sin embargo, no se trata solo de herramientas, en esta edición señalamos el pensamiento de productos de datos, un marco de trabajo que alienta a los equipos a aplicar los principios del pensamiento de producto (product thinking) a las partes analíticas de su ecosistema. La aparición del pensamiento de producto de datos es, en cierta medida, el resultado del desafío continuo de aprovechar adecuadamente los datos (algo de lo que se ha hablado durante años, mucho antes del auge de la IA), el hecho de que haya encontrado su camino hacia el centro de atención (y nuestras conversaciones de Radar) demuestra que la necesidad de disciplina con el manejo de datos sigue siendo tan grande como siempre. Sin ella, las organizaciones pueden tener dificultades para innovar y bien podrían estar en desventaja comercial a medio y largo plazo.