Integración en el Ecosistema de Datos (El 'Dónde')
Metodología de integración del pipeline SHAP con plataformas de observabilidad como Grafana y el SDK unificado de Gemini para diagnósticos automatizados en Portelcore.
4.1. El Círculo Virtuoso Analítico en Portelcore
Sección titulada «4.1. El Círculo Virtuoso Analítico en Portelcore»El valor último de la interpretabilidad mediante SHAP no radica únicamente en la recopilación pasiva de telemetría, sino en su integración dinámica para optimizar la toma de decisiones empresariales.
graph TD A["1. Inferencia & Telemetría<br>(Calcular Predicciones & SHAP)"] --> B["2. Almacenamiento Selectivo<br>(PostgreSQL / SQLite Indexado)"] B --> C["3. Observabilidad & BI<br>(Grafana / Looker Studio)"] C --> D["4. Diagnóstico por IA<br>(Gemini SDK Forensics)"] D --> E["5. Optimización del Modelo<br>(Refactorización de Features)"] E --> A style A fill:#3b4252,stroke:#4c566a,stroke-width:1px,color:#d8dee9 style B fill:#3b4252,stroke:#4c566a,stroke-width:1px,color:#d8dee9 style C fill:#3b4252,stroke:#4c566a,stroke-width:1px,color:#d8dee9 style D fill:#a3be8c,stroke:#8fbcbb,stroke-width:2px,color:#2e3440 style E fill:#81a1c1,stroke:#5e81ac,stroke-width:1px,color:#2e34404.2. Dashboards de Observabilidad: Conexión con Grafana
Sección titulada «4.2. Dashboards de Observabilidad: Conexión con Grafana»El esquema relacional de telemetría analítica es ideal para alimentar cuadros de mando interactivos que permitan monitorizar el comportamiento y la salud del modelo.
1. Panel de Trazabilidad e Historial de Atribución (Gráfico de Líneas)
Sección titulada «1. Panel de Trazabilidad e Historial de Atribución (Gráfico de Líneas)»- Propósito: Monitorizar si el impacto de una variable de negocio específica (p. ej.,
tickets_soporte_abiertos) cambia drásticamente a lo largo del tiempo. - Consulta SQL para Grafana:
SELECTp.predicted_at AS "time",a.shap_value AS "Valor SHAP: Tickets Soporte"FROM model_predictions pJOIN shap_attributions a ON p.prediction_id = a.prediction_idWHERE a.feature_name = 'tickets_soporte_abiertos'AND p.portel_user_id = $portel_user_idORDER BY p.predicted_at ASC;
2. Panel Forense de Desvíos Predictivos (Tabla de Control)
Sección titulada «2. Panel Forense de Desvíos Predictivos (Tabla de Control)»- Propósito: Mostrar los desgloses de predicciones donde el modelo falló por el mayor margen de error.
- Consulta SQL para Grafana:
SELECTp.predicted_at AS "Fecha",p.portel_user_id AS "Usuario",p.output_probability AS "Probabilidad Predicha",a.feature_name AS "Variable",a.feature_value AS "Valor Observado",a.shap_value AS "Contribución SHAP"FROM model_predictions pJOIN shap_attributions a ON p.prediction_id = a.prediction_idWHERE p.actual_outcome IS NOT NULLAND (p.output_probability > 0.5) != p.actual_outcome -- DiscordanciaORDER BY ABS(a.shap_value) DESCLIMIT 20;
4.3. Diagnóstico Forense Automatizado con Gemini
Sección titulada «4.3. Diagnóstico Forense Automatizado con Gemini»El nivel más alto de automatización analítica en Portelcore consiste en utilizar la Inteligencia Artificial de Google (Gemini) para auditar y diagnosticar los fallos lógicos del modelo predictivo interpretado por SHAP.
Script de Automatización: analisis_forense_ia.py
Sección titulada «Script de Automatización: analisis_forense_ia.py»Este script interactúa con la base de datos de telemetría y utiliza el SDK unificado de Google GenAI (google-genai) para generar diagnósticos en lenguaje natural estructurado.
import osimport sqlite3from google import genaifrom google.genai import types
# Inicialización segura del cliente unificado de Gemini API# Recuerda exportar la variable de entorno: export GEMINI_API_KEY="tu_clave_de_pruebas"client = genai.Client()
def generar_diagnostico_forense(prediction_id: str) -> str: """ Extrae las atribuciones SHAP de una predicción errónea y genera un diagnóstico detallado utilizando Gemini 2.5 Flash. """ # Conexión a la base de datos local conn = sqlite3.connect("data/portel_telemetry.db") cursor = conn.cursor()
# 1. Obtener detalles de la predicción cursor.execute(""" SELECT portel_user_id, output_probability, actual_outcome FROM model_predictions WHERE prediction_id = ? """, (prediction_id,)) pred_info = cursor.fetchone()
if not pred_info: return "ID de predicción no encontrado."
user_id, prob, actual = pred_info
# 2. Obtener atribuciones SHAP cursor.execute(""" SELECT feature_name, feature_value, shap_value FROM shap_attributions WHERE prediction_id = ? ORDER BY ABS(shap_value) DESC """, (prediction_id,)) attributions = cursor.fetchall() conn.close()
# 3. Construir el prompt analítico desglose_txt = "" for feat, val, shap in attributions: desglose_txt += f"- {feat}: Valor Observado = {val:.2f}, Contribución SHAP = {shap:+.4f}\n"
prompt = f""" Actúa como un experto Ingeniero de Machine Learning y Analista Cuantitativo en Portelcore. Debemos auditar un fallo lógico en nuestro modelo de predicción de abandono (Churn) 'portel_user_churn'.
DETALLES DE LA PREDICCIÓN: - ID Predicción: {prediction_id} - ID Usuario: {user_id} - Probabilidad Predicha por el Modelo: {prob:.4f} (Umbral de decisión > 0.5) - Resultado Real: {'Abandono' if actual else 'Permanencia'} - Estado de Predicción: FALLIDO (El modelo predijo {'Abandono' if prob > 0.5 else 'Permanencia'}, pero ocurrió lo contrario)
CONTRIBUCIONES DETALLADAS DE SHAP: {desglose_txt}
TAREA: 1. Realiza una autopsia técnica del error. Explica por qué el modelo se equivocó basándote en las contribuciones de SHAP. 2. Determina si el modelo confió excesivamente en variables sesgadas o de ruido. 3. Recomienda acciones correctivas de ingeniería de datos para este usuario o para reentrenar el modelo en portelcore.com. """
# 4. Invocación al SDK unificado de Gemini response = client.models.generate_content( model='gemini-2.5-flash', contents=prompt, config=types.GenerateContentConfig( temperature=0.2, # Baja temperatura para análisis consistentes y precisos ) )
return response.text
# Demostración práctica de invocación en laboratorioif __name__ == "__main__": prediction_test_id = "pred_user_17222_40_231" print("--- Iniciando Análisis Forense de Telemetría con Gemini ---") try: diagnostico = generar_diagnostico_forense(prediction_test_id) print("\nDIAGNÓSTICO ENVIADO POR GEMINI API:") print(diagnostico) except Exception as e: print(f"Error en la llamada al SDK GenAI: {e}")4.4. Checklist de Validación del Ecosistema
Sección titulada «4.4. Checklist de Validación del Ecosistema»Asegúrate de que la integración fluya de extremo a extremo antes de dar por cerrado el pipeline:
- Las consultas de Grafana están indexadas para evitar escaneos de tablas completas sobre las bases de datos de
portelcore.com. ✓ - El script
analisis_forense_ia.pyutiliza exclusivamente el SDK unificadogoogle-genai(genai.Client()). ✓ - La temperatura del modelo generativo de Gemini está configurada de manera conservadora ($0.2$) para evitar alucinaciones analíticas en producción. ✓

