Esta es una traducción y resumen del artículo original que encontrarás aquí

Para los científicos especializados en la obtención y análisis de datos, poder crear un modelo estadístico perfecto no sirve de nada si las necesidades de potencia de cálculo para obtenerlo son imposibles.

Es por ello que ahora, más que nunca, se necesitan procesos y herramientas que hagan que las distintas alternativas disponibles funcionen con suficiente rendimiento.

Los beneficios del Big Data se basan en la obtención y análisis de datos a la mayor escala posible; acorde a esta necesidad, los científicos de datos están especializados en análisis estadístico, no pudiendo hacer foco en las herramientas de obtención de modelos de datos, las cuales a su vez deben escalar con un rendimiento acorde al volumen, velocidad y variedad de las cargas de trabajo requeridas.

Es aquí donde la cultura DevOps puede ayudar, pues la integración entre el código de aplicación y las necesidades a nivel de sistemas no es el campo principal que los científicos de análisis estadístico estudian.

En un artículo reciente, Steve Miller (Big Data Skills Program Director de IBM) aseguraba:

Tengo una crítica a las actuales enseñanzas de análisis estadístico, y es que dejan de lado las consideraciones de rendimiento computacional en la evaluación de las diferentes técnicas de modelado

Así que mientras esta situación siga vigente, las diferencias entre el desarrollo de algoritmos y su viabilidad van a ser más y más grandes, obligando a invertir en más y más capacidad de procesamiento, memoria, interconectividad, etc.. para la viabilidad de los proyectos.

-

Por tanto, está claro que el movimiento DevOps también puede ayudar en este caso, confirmando las ventajas de la integración de sistemas en cualquier área de desarrollo actual.

Y tu, ¿aplicas algún tipo de metodología DevOps en tu trabajo ya?.