Para lograrlo, los equipos solían copiar grandes volúmenes de datos de producción y luego enmascaraban rudimentariamente la información sensible. Esto exigía una gran cantidad de recursos computacionales y de tiempo. Hoy este modelo está quedando obsoleto gracias a la inteligencia artificial.
Pero la alta velocidad de entrega que habilita la inteligencia artificial demanda, al mismo tiempo, disponer de un volumen de datos mayor y en menor tiempo para evitar cuellos de botella en los pipelines. Paralelamente, la propia IA ofrece la solución: los algoritmos actuales son capaces de comprender las dependencias del negocio y las correlaciones lógicas entre datos reales para autogenerar entornos sintéticos a gran escala.
Las 3 arquitecturas que dominan el ecosistema
Además, al evaluar cómo integrar la inteligencia artificial en el TDM, hay que tener en cuenta que no hay una única respuesta. Pero hay tres técnicas principales en el mercado:
- Generación sintética inteligente: no interactúa con datos de producción. El software utiliza Deep Learning para comprender el comportamiento de la información y clonar su estructura lógica de forma 100% artificial. La plataforma Tonic.AI, es una herramienta de este tipo, que usa redes neuronales para descubrir dependencias de negocio de forma totalmente autónoma. Es muy sencilla de implementar en pipelines de CI/CD gracias a su arquitectura nativa en la nube, y además es de bajo mantenimiento, ya que se adapta de forma automática si el esquema de datos subyacente cambia. Y es ideal para implementar en arquitecturas modernas basadas en la nube y proyectos que exigen un cumplimiento estricto de la privacidad.
- Modelado dinámico basado en componentes: genera flujos de datos mediante reglas lógicas estructuradas. Es ideal para simular edge cases y pruebas de estrés masivas. GenRocket es útil, en este caso para la creación de datos por volumen a través de reglas lógicas. Usa IA para automatizar la importación y el modelado inicial del esquema de datos. Y requiere un esfuerzo de implementación y mantenimiento medio: el equipo de trabajo debe capacitarse para modelar correctamente los escenarios de datos. Además, requiere actualizaciones periódicas de los esquemas si la lógica de negocio de los datos cambia. Es ideal para ecosistemas con bases de datos masivas que exigen réplicas con un alto nivel de precisión.
- Virtualización de datos heredados: clona la estructura física de almacenamiento, permitiendo crear copias de producción para luego aplicarles enmascaramientos superficiales o profundos. Una herramienta para esto es Delphix, útil para la clonación de bloques físicos de almacenamiento y enmascaramiento. No genera datos sintéticos, sino que se apoya en algoritmos tradicionales de enmascaramiento de los datos. Exige una coordinación directa y constante con los administradores de sistemas e infraestructura, pero es un software estable a nivel operativo. A la vez, obliga a vigilar permanentemente el consumo de espacio físico. Su caso de uso ideal es el de ecosistemas monolíticos gigantescos donde la clonación idéntica de bases de datos productivas es un requisito obligatorio.
En esta última arquitectura de virtualización de datos heredados aparece Informatica IDMC, una plataforma que se usa en escenarios de gobernanza centralizada y enmascaramiento corporativo tradicional. Su valor está en que ofrece un control centralizado apalancado en su motor de IA corporativa (Claire). Requiere un muy alto esfuerzo de implementación, que se traduce en despliegues corporativos lentos que suelen tomar varios meses de consultoría especializada. También es de alto mantenimiento, ya que necesita ingenieros y administradores dedicados exclusivamente a la gestión de la plataforma. Pero es ideal para grandes corporaciones con arquitecturas híbridas muy complejas y dependencias críticas en sistemas legados o mainframes.
Las virtudes y limitaciones de cada herramienta muestran que la elección de una estrategia de TDM no debe basarse en tendencias del mercado, sino en sopesar los recursos con los que se cuenta y la infraestructura disponible. Si el núcleo operativo se basa en microservicios en la nube y el objetivo principal es cumplir normativas de privacidad, la mejor opción es la generación sintética inteligente (Tonic.AI). Por el contrario, si el mayor desafío es acelerar el aprovisionamiento de datos para pruebas funcionales, el modelado dinámico (GenRocket) se posiciona como la alternativa ideal. Finalmente, las herramientas de virtualización de datos heredados (Delphix, Informatica IDMC) deben reservarse para arquitecturas monolíticas o sistemas legados complejos (como cores bancarios o mainframes).
Por Ricardo García, Tester & QA de Baufest.
