Convertir una deuda técnica elevada en un coste bajo

La planificación a largo plazo puede parecer una decisión sensata. Pero en el vertiginoso mundo tecnológico, el largo plazo parece un día que nunca llega. Las nuevas tecnologías o experiencias digitales siempre atraen a directivos que buscan una ventaja operativa. La discusión a menudo gira en torno a reemplazar un sistema actual en su organización.

En muchos casos, los administradores suelen tener que afrontar la deuda técnica antes de adoptar la nueva tecnología. La deuda técnica es el costo de las compensaciones aceptadas de mantener los sistemas actuales para lograr un lanzamiento inmediato o un objetivo presupuestario. La deuda surge de varios casos, de una decisión de programación de un proyecto de ingeniería de software o de una decisión de ahorro de costos de retrasar las actualizaciones de un sistema obsoleto. En el desarrollo de aplicaciones, por ejemplo, lanzar una versión más simple del producto para distribuir rápidamente conduce a la omisión de funciones, lo que crea una deuda técnica que debe abordarse cuando se agregan las nuevas funciones. A veces, la deuda técnica “se siente” como una medida de ahorro de costos en comparación con la opción técnicamente mejor a largo plazo.

La deuda técnica es un tema creciente entre los gerentes porque el número de posibles causas fundamentales del lanzamiento de una solución empresarial está aumentando. Las empresas están adoptando soluciones de aprendizaje automático, inteligencia artificial y nube para reemplazar muchos sistemas obsoletos que actualmente administran servicios y procesos. La deuda técnica asociada con los sistemas más antiguos se revela como costos operativos ocultos que han aumentado con el tiempo y deben abordarse.

Muchas transformaciones tecnológicas están siendo influenciadas tanto por las decisiones de gestión de datos como por las opciones de diseño de software. Tomemos como ejemplo la regulación de privacidad de datos. La retención de datos dentro de los sistemas debe identificarse para cumplir con los requisitos de cumplimiento de privacidad. La gestión de datos debe resaltar cómo se observa el cumplimiento.

De hecho, ha surgido una variante de deuda técnica entre los profesionales de TI: la deuda de datos. La deuda de datos es una acumulación de compensaciones en la gestión de datos. La deuda de datos suele producirse allí donde los datos sustentan las operaciones, como el control de calidad o la inteligencia sobre amenazas para la ciberseguridad. Al igual que la deuda técnica, la deuda de datos se produce cuando se retrasa la inversión en el mantenimiento o la gestión de activos digitales (en este caso, datos operativos).

La deuda de datos crea una diferencia familiar pero clara en las compensaciones en comparación con las de los casos de deuda técnica. Mientras La deuda técnica es más un término general que aborda las tecnologías utilizadas para entregar un producto y servicio, la deuda de datos es un término general que aborda puntos de contacto de datos, como silos, duplicación de observaciones e inconsistencias de las fuentes. El auge del aprendizaje automático, junto con la actual adopción de alto perfil de la IA, hace que sea más complejo evitar los riesgos potenciales de una gestión de datos mal invertida.

Los administradores de TI verán más problemas de deuda de datos a medida que aumente la inversión en IA. Los modelos de lenguaje grande (LLM) de código abierto, como el marco LangChain y el recientemente lanzado Llama2 de Meta, introducen la capacidad de crear modelos y aplicaciones de IA con menos parámetros y, en consecuencia, un tamaño de modelo más pequeño que el modelo de entrenamiento detrás de ChatGPT. LLM de código abierto ofrece un desarrollo de IA más manejable para aplicaciones mejoradas con IA que operan con sus datos patentados. Permite una mayor transparencia sobre los datos de entrenamiento y prueba, eliminando la dependencia del acceso a datos desde servidores y API de terceros que pueden alterar e interrumpir el rendimiento del modelo.

La gestión de una plataforma interna de IA también elimina los desafíos derivados del uso de datos. Muchos LLM se desarrollan utilizando vectoresstores, un medio de almacenamiento de datos para indexar datos y documentos no estructurados. Los almacenes de vectores se guardan para datos incrustados: un conjunto de datos creado a partir de datos no estructurados mediante LLM. Vectorstores está diseñado específicamente para facilitar el acceso a documentos para modelos de capacitación y prueba. Pero una empresa que planifica un modelo puede estar utilizando documentación almacenada en medios más antiguos. Por lo tanto, el desarrollo avanzado a menudo revela situaciones de deuda de datos a los que se accede desde un almacenamiento de datos más antiguo.

¿Cómo pueden los equipos de TI abordar mejor la minimización de la deuda técnica en sus respectivas organizaciones?

Un paso clave a dar es establecer primero un medio para revisar la tecnología con las partes interesadas. Esto puede significar una reunión de revisión permanente para obtener una descripción general de la tecnología actual, su estado operativo y cualquier plan potencial de mejora, actualización o reemplazo. Al hacerlo, se establece la documentación de políticas, convenciones y procesos en toda la organización y se mejora una comprensión compartida sobre cómo detectar oportunidades para reducir la deuda técnica con el tiempo.

Utilice las reuniones de revisión para resaltar cuándo se realizó por última vez el mantenimiento del código en sistemas de software críticos. Muchas de estas sesiones informativas desencadenan una auditoría de la gestión de datos asociada con la refactorización del código, la reescritura del código o la mejora gradual del código con el tiempo. Una auditoría es una oportunidad para recopilar información general sobre la última revisión de datos en una pila tecnológica o proceso algorítmico. Una vez reunido, el equipo puede establecer políticas, convenciones y procesos que puedan reducir mejor la deuda o eliminar rápidamente otros obstáculos técnicos.

Al examinar la tecnología, el equipo de revisión debe identificar qué procesos consumen (o desperdician) más tiempo. Esto ayuda a los equipos a identificar posibles obstáculos antes de que ocurran y a planificar en consecuencia.

Al diseñar nuevas funciones en un software o modelo de datos, busque condiciones de deuda técnica. Crear e implementar esas funciones puede requerir que usted resuelva parte de esa deuda.

La selección de características también puede afectar las decisiones sobre el uso de datos históricos, cuestionando si los datos son realmente necesarios. Una pregunta que los equipos pueden hacerse es la siguiente: ¿Qué información ha cambiado desde que se tomó la decisión de utilizar los datos? Casi todo lo relacionado con la tecnología cambia, desde las funciones hasta el comportamiento del usuario, por lo que algunas decisiones antiguas pueden no ser tan valiosas hoy como lo eran cuando se tomaron.

Luego, los equipos pueden preguntar si tiene sentido el acceso de las partes interesadas al historial de datos. ¿A qué distancia debe retroceder el acceso regular: seis meses? ¿Un año? ¿Tres años? Las respuestas pueden entonces recurrir a los métodos y herramientas que suelen utilizar los analistas y las partes interesadas. Es posible que algunas herramientas y almacenamiento de datos realmente necesiten una actualización, mientras que otros pueden seguir siendo útiles con actualizaciones menores de funciones y complementos.

Algunas métricas clave históricas mostradas en Excel o Google Sheet pueden ser suficientes para algunos analistas y gerentes. En otros casos, un documento Markdown que contenga código R y Python proporcionaría métricas actualizadas proporcionadas a través de una API. Una elección inteligente de herramientas puede descubrir otras deudas técnicas y brechas de deuda de datos asociadas con el uso en toda una empresa.

Abordar la deuda técnica es más esencial en estos días. Además de las mayores oportunidades de que se produzca deuda técnica, buscar las habilidades adecuadas para encontrar eficiencias operativas e implementar decisiones puede ser un desafío.

El imperativo de reducir la deuda técnica seguirá estando en el centro de atención para muchos equipos de TI y CIO en el futuro cercano. Los recientes despidos de alto perfil en la industria tecnológica combinados con “La Gran Renuncia” han dejado a los equipos corporativos sintiéndose faltos de personal para manejar cualquier tarea, y mucho menos proyectos técnicos de reducción de deuda.

Pero sin importar el origen, el tamaño y el impacto, los equipos de TI deben gestionar y reducir la deuda técnica que encuentran. Con un alto nivel de compromiso para buscar mejores prácticas y soluciones, los equipos pueden convertirse en líderes tecnológicos con pasos medidos que reducen la influencia de la deuda técnica en los cambios en las pilas de tecnología detrás de los casos de uso más críticos. El resultado son decisiones tecnológicas sólidas que hacen que las empresas sean más rentables a largo plazo.

Reimaginar el déficit tecnológico

CIO: dejen de gastar en mala tecnología

Lecciones aprendidas por los CIO de la difícil situación invernal de Southwest Airlines