Los equipos DevOps conciben, definen y describen las características y funcionalidades del software y los sistemas que van a crear.

Abarca todos los aspectos de programación y compilación del código para su implementación en varios entornos.

La entrega es el proceso de implementar el software en entornos de producción de un modo constante y confiable.

Supone mantener y monitorizar el software, así como solucionar posibles problemas en un entorno de producción.

Proporciona a administradores y usuarios una interfaz gráfica para el acceso, la provisión y automatización de los recursos. El dashboard es solo una manera de representar los diferentes elementos y facilitar así la interacción con los recursos.

Es un servicio que permite instrumentar y organizar múltiples aplicaciones a través de plantillas o una API.

Ofrece un directorio central de usuarios que determina los servicios de la plataforma a los que pueden acceder. Actúa como un sistema de autenticación común y se puede integrar con los servicios de directorio backend existentes como LDAP.

Sistema para la gestión de redes y direcciones IP que evita problemas de cuello de botella, y ofrece un autoservicio real, incluso a través de sus configuraciones de red. Asimismo, facilita modelos de redes para diferentes aplicaciones o grupos de usuarios y gestiona las direcciones IP, lo que permite direcciones IP estáticas o DHCP reservados. 

Los usuarios pueden crear sus propias redes, controlar el tráfico y conectar los servidores y los dispositivos a una o más redes.

Proporciona dispositivos de almacenamiento a nivel de bloque persistentes para usar en los servidores. Este sistema de almacenamiento gestiona la creación, aplicación y retirada de los dispositivos de bloque a los servidores, además de facilitar que los usuarios gestionen sus propias necesidades de almacenamiento. Este tipo de almacenamiento es especialmente interesante para escenarios donde el rendimiento es importante: almacenamiento de bases de datos, sistemas de archivos expandibles, o la prestación de un servidor con acceso al almacenamiento de bloque en bruto. 

Asimismo, la gestión de los Snapshots ofrece una potente funcionalidad para realizar backups de los datos guardados en volúmenes de almacenamiento en bloque, ya que las instantáneas pueden restaurarse y utilizarse para crear nuevos volúmenes de almacenamiento.

Es la parte principal de cualquier plataforma IaaS. Está diseñada para gestionar y automatizar los recursos de computación de los servidores físicos y puede trabajar con tecnologías de virtualización como KVM, VMWare, Xen o Hyper-V. La arquitectura debería estar planteada para poder escalar horizontalmente en hardware estándar, sin requisitos de hardware o software propietarios, y además facilitar la integración con sistemas legacy y tecnologías de terceros.

En los últimos años, la evolución del IaaS ha dado lugar a:

• Containers . Este es un silo aislado y ligero que permite ejecutar una aplicación en el sistema operativo host. Los containers se fundamentan en el kernel del sistema operativo host y solo contienen aplicaciones y API ligeras de SO y servicios que se ejecutan en modo usuario. De esta manera, se consigue optimizar los recursos de hardware al coexistir múltiples contenedores en un único sistema operativo.
• Serveless . Recientemente ha surgido el concepto serverless. Modo de computación a través del cual el proveedor de la capa de computación permite ejecutar funciones durante periodos de tiempo determinados sin necesidad de que nos hagamos cargo de la infraestructura que hay por debajo.

Proporciona servicios de descubrimiento, de inscripción y de entrega de los discos y del servidor de imágenes. Las imágenes almacenadas se pueden usar como plantillas. También puede ser usado para almacenar y catalogar cantidades ingentes de backups.

Sistema de almacenamiento redundante y escalable. Los archivos se escriben en varias unidades de disco repartidas por diferentes servidores del centro de datos con el fin de asegurar la replicación y la integridad de los datos.

Este servicio facilita un único punto de contacto para los sistemas de facturación, proporcionando las métricas necesarias para llevar a cabo la facturación al cliente. Todo es trazable y auditable y los agentes que recopilan los datos deben ser independientes de todo el sistema.

Son los dispositivos ubicados entre la red interna y las redes de otros proveedores que intercambian tráfico con nosotros. Su función es dirigir el tráfico de datos de un lado a otro.

El cortafuegos es un sistema que tiene como objetivo proteger nuestra red privada de intrusiones o ataques bloqueando el acceso de posibles amenazas. De esta manera, si el tráfico cumple con las reglas especificadas, podrá acceder y salir de nuestra red; si no las cumple, será bloqueado.

Un sistema de detección de intrusiones (IDS) es un programa que permite detectar accesos no autorizados. Actúa, evaluando la intrusión cuando esta toma lugar y genera una alarma. El IDS suele ir acompañado de una herramienta de prevención de ataques llamada IPS, que rastrea de forma proactiva el tráfico de red sospechoso o inusual. Estos sistemas pueden aplicarse tanto a nivel de software como a nivel de hardware y suelen trabajar conjuntamente. Por eso, normalmente se habla de IDS/IPS.

Es un dispositivo (hardware o software) que se pone al frente de un conjunto de servidores para asignar o balancear, en base a un algoritmo, las solicitudes que le llegan de los clientes. En definitiva, es un sistema para distribuir la carga de trabajo en varios servidores separados o agrupados en un clúster.

• Switch-core. No es un switch típico. Hace referencia a un switch que se coloca en el núcleo de una red con el fin de proporcionar un punto de agregación final a la red y permitir que diferentes módulos trabajen juntos.
• Switch-distribución. Interactúa entre la capa de acceso y el núcleo de una red habilitando funciones importantes como: agregar redes de armario de cableado a gran escala; agregar dominios de difusión de capa 2 y límites de routing de capa 3; proporcionar funciones inteligentes de switching, de routing y políticas de acceso a la red; facilitar una alta disponibilidad al usuario final; o proporcionar servicios diferenciados a distintas clases de aplicaciones en el perímetro de red. 
• Switch-acceso. Representa el perímetro de la red. Tradicionalmente, estos switches proporcionaban acceso de red al usuario conectándose a los switches de capa de distribución e implementando tecnologías de base de red como el routing, la calidad del servicio y la seguridad.
• Servidores (nodos de computación). Servidor físico que proporciona recursos efímeros de almacenamiento, redes, memoria y procesamiento a las diferentes instancias de máquinas virtuales.
• Almacenamiento primario. Conocido generalmente como memoria (o memoria RAM), es el único almacenamiento al que accede directamente la CPU para leer y ejecutar instrucciones. Este tipo de almacenamiento funciona con una amplia variedad de sistemas de almacenamiento secundario como NetApp, Pure, HP, Hitachi, EMC…
• Almacenamiento secundario (objetos). Es un sistema de almacenamiento que maneja los datos como objetos y no como jerarquías de archivos (como los sistemas de archivo) o bloques (como el almacenamiento de bloque). Normalmente cada objeto incluye el propio dato, una cantidad variable de metadatos y un identificador global único.

Con Azure IoT Suite , Rolls-Royce recolecta y agrega datos de diversos sensores ubicados en aviones que vuelan en varias partes del mundo, para saber en tiempo real el rendimiento del motor de los aviones durante un vuelo y realizar descargas masivas de datos completos de tipo caja negra, registros técnicos y planes de vuelo, así como de datos pronósticos y meteorológicos reales proporcionados por terceros.

La logística es uno de los sectores donde más influencia tienen las aplicaciones del IoT. Controlar los paquetes, gestionar los vehículos, evitar robos y gestión de movimientos son algunos aspectos a tener en cuenta dentro de este área.

Si antes hablaba de controlar los vehículos, imagínate cómo serán los almacenes donde están todas esas mercancías. Es indispensable poder controlar cada uno de ellos para que sean capaces de llegar a tiempo a su destino.

Gracias al IoT se ha impulsado el desarrollo de nuevos modelos de producción que recopilan datos de cómo se mueve una ciudad, y una sociedad en concreto, para establecer métodos eficientes con los cuales se consiga hacer un uso correcto de los recursos de la ciudad. 

La finalidad es desarrollar modelos de sostenibilidad de consumo y producción para impulsar la economía.

La cantidad de datos es enorme. El tamaño que determina si un conjunto de datos se considera Big Data no está firmemente definido, pero la mayoría de los analistas y profesionales actualmente hacen referencia a conjuntos de datos que van desde los 30-50 terabytes a varios petabytes.

Los datos se generan de forma extremadamente rápida.

Los datos son heterogéneos. Distintos tamaños, formatos, estructuras, tipologías…

Los datos deben ser confiables. No es que los datos incorrectos no tengan valor, sino que pueden ser altamente perjudiciales para el procesamiento y la toma de decisiones.

Los datos poseen un valor intrínseco, sin embargo, no tienen ninguna utilidad hasta que ese valor no se descubre.

La combinación de Machine Learning y una base de datos históricos permite saber, por ejemplo, qué clientes tienen más probabilidad de irse, qué ventas son más probables de acabar cerrándose, etc. 

Un buen sistema de análisis de comportamiento (generación de datos) puede permitir, a través del Machine Learning, la identificación de patrones que ayuden a tomar decisiones durante los procesos de venta.

Una de las aplicaciones del Machine Learning a nivel de operativa tiene mucho que ver con la optimización de tiempos. 

El sistema puede determinar cuándo es el mejor momento para llevar a cabo una tarea específica como, por ejemplo, un incremento o detrimento en el proceso productivo, un cese de la producción, cuándo realizar una inversión en maquinaria…

El Machine Learning puede ayudar en los procesos de alta y baja de servicios sin necesidad de llamar a un call center. Mediante patrones se pueden identificar palabras o frases y generar una respuesta adecuada , haciendo los procesos mucho más rápidos y eficientes.

Seguridad en la empresa: el reconocimiento de imágenes permite detectar las caras del equipo de trabajo e identificar quién entra y quién sale de las instalaciones de la compañía. Es decir, las cámaras de seguridad y el Machine Learning pueden ayudar a determinar dónde se encuentra cada miembro del equipo e incluso identificar objetos concretos que la empresa quiera tener bajo control, incrementando así el control y la seguridad dentro de la empresa.

Seguridad IT y antifraude: el Machine Learning permite detectar el comportamiento de posibles intrusos que estén tratando de provocar algún tipo ataque y alertar al personal de IT antes de que suceda. Asimismo, en sitios de comercio electrónico puede determinar qué comportamientos y usuarios está asociados a algún tipo de fraude y reducir el porcentaje de robos a través de tarjetas de crédito falsas.

Los bancos utilizan el Machine Learning principalmente para identificar ciertos comportamientos en los datos y prevenir el fraude.

Asimismo, puede ser utilizado para segmentar clientes , fomentar el cross-selling y el up-selling de productos, o evaluar e identificar clientes con perfiles de alto riesgo.

Dependencias como los servicios públicos pueden usar el Machine Learning para analizar datos de diferentes sensores que ayuden en la identificación de maneras para incrementar la eficiencia y ahorrar dinero a las arcas públicas. 

Asimismo, al igual que ocurre en la industria financiera, el Machine Learning puede ayudar a detectar fraudes y minimizar robos de identidad.

Cada vez existen más dispositivos que recopilan información en tiempo real del estado de salud de los pacientes, información que potencia el crecimiento del Machine Learning en la industria de la salud. 

De esta manera se pueden conseguir: alertas y diagnósticos en función de datos del paciente en tiempo real, identificación de enfermedades y evaluación de riesgos, optimización de los triajes o una gestión proactiva de la salud de un individuo.

El modelado y análisis de datos a través de Machine Learning en la industria del transporte suponen grandes herramientas para empresa de mensajería, transporte público y cargo. El análisis de los datos permite identificar pautas y tendencias que ayuden a hacer rutas más eficientes, identificar patrones del tráfico, establecer frecuencias en el transporte público y reconocer problemas potenciales que impliquen mejoras en la rentabilidad.

El sector de la energía también está condicionado por el Machine Learning. Análisis de minerales en el suelo y optimización de la distribución para el sector petrolífero, o el análisis de la demanda y pricing específico por cliente en el sector de la energía eléctrica, son algunos de los ejemplos en los que se está aplicando.

Asimismo, el retail también se ha subido al tren del Machine Learning a la hora de, por ejemplo, planificar inventarios de forma proactiva , fomentando el cross-selling y el up-selling o haciendo una mejor segmentación del mercado y targeting.