Dynatrace anunció la finalización de la adquisición de Arize en una operación valorada en 915 millones de dólares, después de anunciar a mediados de agosto su intención de llevarla a cabo. La operación combina la experiencia de Dynatrace en la monitorización del rendimiento de aplicaciones, la infraestructura y la seguridad con las capacidades de Arize para rastrear, evaluar y corregir problemas en el comportamiento de modelos y agentes de inteligencia artificial.
La operación responde a un problema que las herramientas de monitorización tradicionales por sí solas no revelan: los servicios y la infraestructura pueden funcionar correctamente, mientras el agente ofrece una respuesta incorrecta, invoca la herramienta inadecuada o no logra completar la tarea. Por ello, los equipos de desarrollo y operaciones necesitan conectar lo que ocurre dentro del modelo y del agente con lo que sucede en las interfaces de programación y los servicios de los que depende.
Dos capas de visibilidad operativa
Dynatrace se fundó en Austria en 2005 y evolucionó desde la monitorización del rendimiento de las aplicaciones hasta la monitorización integral y la seguridad. La empresa también invierte desde 2017 en Davis, su asistente impulsado por inteligencia artificial, que posteriormente evolucionó hasta convertirse en un motor de análisis de causas raíz, además de incorporar capacidades predictivas y generativas y agentes SRE para investigar y resolver incidentes.
Por su parte, Arize, que salió de su etapa de operación secreta en 2020, comenzó como una startup dedicada a monitorizar modelos de aprendizaje automático en producción. Posteriormente amplió su alcance, a medida que se extendían los modelos de lenguaje grandes y los agentes, para incluir el seguimiento de su comportamiento, la realización de evaluaciones y la identificación de fallos que podrían no aparecer en la monitorización tradicional de aplicaciones.
En la práctica, Dynatrace suele prestar servicio a equipos de fiabilidad de sitios y plataformas, mientras que Arize se centra en ingenieros de inteligencia artificial y desarrolladores. Tras integrar ambas plataformas, será posible investigar el fallo de un agente a través de las dos capas: la lógica del modelo y el uso de herramientas, por un lado, y los servicios y las interfaces de programación subyacentes, por otro.
De leer los datos a tomar medidas
Aparna Dhinakaran, cofundadora y directora de producto de Arize, considera que el volumen de datos de trazas hace que la revisión manual no sea práctica. En lugar de pedir a los ingenieros que revisen miles de millones de trazas, los agentes pueden analizar los datos de telemetría y buscar patrones recurrentes y posibles causas.
Arize afirma que la herramienta Signal revisa las trazas de producción, identifica problemas recurrentes y propone correcciones. También puede abrir solicitudes de fusión mediante el análisis de las trazas del asistente Alyx; según Dhinakaran, Arize acepta aproximadamente entre el 65 % y el 70 % de las solicitudes de fusión que propone la herramienta. En este modelo, el ingeniero pasa de buscar manualmente entre las trazas a revisar los cambios propuestos.
¿Qué cambia en la práctica?
El valor principal de la operación reside en reducir la brecha entre crear aplicaciones de inteligencia artificial y operarlas de forma fiable en producción. Los desarrolladores y los equipos de plataformas podrán vincular la respuesta o decisión del agente con la cadena de servicios que utilizó, en lugar de tratar cada capa con una herramienta independiente.
Sin embargo, esta tendencia no elimina la necesidad de controles. La fuente explica que la visión a largo plazo consiste en un software capaz de mantenerse y mejorarse por sí mismo, mientras los humanos conservan la revisión final. Asimismo, el porcentaje de aceptación de solicitudes de fusión mencionado corresponde a la experiencia de Arize y a una herramienta concreta, y no demuestra que la corrección autónoma sea adecuada para todos los entornos de producción. Las cuestiones relativas a los permisos, la seguridad de los cambios y los límites de las acciones que el agente puede ejecutar siguen siendo factores decisivos antes de convertir el análisis automatizado en una modificación directa de los sistemas.