[Música] Hola Mi nombre es César Jiménez y soy advisory Solution specialist en service Now el día de hoy veremos el caso de su predictive e Ops en la parte de cajeros automáticos o atms Y ustedes saben que lo que buscamos en service Now es transformar la experiencia de ti con business context en learning qué es lo que buscamos que dentro de predictive nosotros nos podamos enfocar justamente en los Business Service y ver qué es lo crítico adicional agregar todos los datos enriquecidos de la infraestructura que pueden ser infraestructura en premis Nube o inclusive contenedores o microservicios y lo que queremos nosotros es traer toda la información que se pueda que se pueda depositar dentro de service Now ya sea generada por máquinas o personas dependiendo la fuente que sea como pueden ser eh logs eventos o métricas lo que buscamos es integrar toda la información de monitoreo desde service Now o las soluciones de monitoreo de servic Now así como también traer las diferentes tipos de soluciones de monitoreo que actualmente ya pueden tener qué es lo que queremos utilizar todas estas Fuentes y meter el motor de Inteligencia artificial de service Now Para qué para reducir en un 90 por el ruido que puede ser ocasionado por los diferentes tipos de eventos generar o encontrar el análisis de causa raíz mucho más rápida para detectar el impacto impacto automático así como también correlacionar todos los eventos que puedan venir de diferentes Fuentes y correlacionar también alertas e incidentes dependiendo de lo que sea necesario vamos a poder detectar anomalías en métricas y disparar acciones así reduciendo las caídas o inclusive vamos a poder también tener un análisis de logs que nos va a ayudar a predecir problemas basados en patrones y anomalías con esto lo que buscamos es tener una correlación avanzada y detectar patrones en eventos para qué Para poder llegar a predecir problemas antes de que pasen sin necesidad de arreglas umbrales poder detectar anomalías basadas en lenguaje pero también nos vamos a ayudar a prevenir identificando la causa raíz ya sea de alguna otra fuente de monitoreo o ya sea también de la mesa de servicio Como incidentes problemas y cambios lo que nos va a ayudar a reducir en 35 por los incidentes p1 y p2 y de esta forma también poder reducir en 40% el me time to Repair por último vamos a poder nosotros automatizar y tener flujos de remediación de trabajo o inclusive alocación de recursos para forma proactiva y con esto poder tratar de llegar al self healing ahora todas estas funcionalidades que Les acabo de hablar y que ustedes ya conocen cómo las vamos a llevar a los atms o cajeros buscando aumentar y extender la observabilidad en un escenario habitual o en un escenario normal nosotros vamos a tener muchos usuarios que van a estar accediendo a los cajeros automáticos lo que vamos a poder hacer nosotros es identificar algún comportamiento anormal descubrir y predecir anomalías dentro de las aplicaciones de los logs vamos a ver también el event viewer y vamos a poder detectar errores ahí así como los mensajes de log que pueden estar habilitados y pueden estar est generándose en el even viewer pero también vamos a poder personalizar la monitorización de logs para los diferentes tipos de aplicaciones e inclusive utilizar la Inteligencia artificial para todas las aplicaciones de cajeros como lo mencionamos en el slide anterior todo esto también lo vamos a poder integrar con las diferentes fuentes de monitoreo para así correlacionar todo lo que puede estar pasando en cajeros pero también en las aplicaciones que de las que depende lo que buscamos con esto es detectar y agrupar eventos de diferentes Fuentes consolidar métricas y soluciones de monitoreo y con esto poder hacer un clúster de alertas y analizar las causas raíz de lo que nos pueden estar ocasionando estos cajeros automáticos qué es lo que queremos queremos tener un solo espacio o una sola experiencia para todos los operadores consolidar toda la información proveniente de los cajeros automáticos y aplicaciones relacionar todos los eventos o récords que puedan estar siendo generados así como correlacionar el conocimiento que puede venir tanto de las aplicaciones como el conocimiento aprendido de las de las eh cajeros automáticos o atms buscamos justamente una automatización Enterprise y ahora en un ejemplo cómo nosotros podríamos ayudar justamente a automatizar prevenir y predecir esto normalmente cuando hay una caída en los ATM nosotros recibimos un mensaje que dice dice que está fuera de servicio qué es lo que hacemos generamos a través de una solución de monitoreo o a través de la mesa de servicio generamos un incidente para de ahí proceder a un procedimiento de recuperación qué es lo que nosotros visualizamos y podemos hacer con service Now es mucho tiempo atrás detectar alertas que nos estén diciendo que a lo mejor el dispositivo o una casetera o algo en el cajero automático Está mal identificar otra alerta o alguna alerta que nos diga hubo un reinicio que no fue hecho de la mejor forma o no fue hecho de la forma correcta por diferentes tipos de razones detectar a través de nuestro motor de Inteligencia artificial una anomalía o un patrón anormal con ciertos tipos de mensaje de que el cajero está deshabilitado y desde aquí nosotros con service Now poder identificar que esto está ocurriendo al mismo tiempo el disable y el reboot Y desde ahí poder correlacionar ambas alertas en una sola y poder llevar cierto tipo de acciones Como qué como crear un nuevo incidente crítico diciendo que el ATM está siendo deshabilitado por una posible causa raíz con el tema del dispositivo ir a los artículos de conocimiento que sean eh nutridos dentro de service Now y poder encontrar problemas en los dispositivos de atms con ese mismo mensaje e inclusive podemos también direccionar incidentes o notificar al grupo de administradores de atms para que lo pueda estar eh revisando o pueda atenderlo e inclusive podemos llegar a la remediación podemos llegar a ejecutar acciones de sistema operativo que pudiera ser como un borrado de de un log o inclusive ejecutar acciones drásticas como apagar un cajero automático para que no tenga ninguna vulnerabilidad adicional recordemos que todo esto lo estamos viendo con una 4 horas de anticipación antes de que pase el problema esto nos va a ayudar a predecir problemas y a prevenir caídas en los posibles cajeros automáticos Y qué es lo que buscamos es en realidad Buscamos un cambio de paradigma en donde nos quitemos el monitoreo tradicional para los atms en donde tengamos eh un trabajo reactivo intenso y que tome mucho tiempo y cambiar el paradigma para que tengamos una solución que nos ayude con su Inteligencia artificial y Machine learning a predecir patrones anormales de los logs que tengan disminuir e los incidentes p1 y p2 e inclusive reducir también el meantime to Repair Cuáles son las claves para esta transformación es tener a service Now como una sola plataforma para conectar todos los sistemas orquestar flujos y empoderar a las personas ser resilientes y proactivamente seguros qué es lo que queremos transformar el Cómo atender y prevenir los problemas en los cajeros automáticos escalar a todos los cajeros automáticos y y aprender de sus comportamientos acelerar la innovación y el tiempo de resolución así como también fortalecer la seguridad y la visibilidad con el riesgo que pueden tener los cajeros automáticos Muchas [Música] gracias