Ir al contenido

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.

0lecturas

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:#2e3440

4.2. 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:
    SELECT
    p.predicted_at AS "time",
    a.shap_value AS "Valor SHAP: Tickets Soporte"
    FROM model_predictions p
    JOIN shap_attributions a ON p.prediction_id = a.prediction_id
    WHERE a.feature_name = 'tickets_soporte_abiertos'
    AND p.portel_user_id = $portel_user_id
    ORDER 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:
    SELECT
    p.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 p
    JOIN shap_attributions a ON p.prediction_id = a.prediction_id
    WHERE p.actual_outcome IS NOT NULL
    AND (p.output_probability > 0.5) != p.actual_outcome -- Discordancia
    ORDER BY ABS(a.shap_value) DESC
    LIMIT 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 os
import sqlite3
from google import genai
from 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 laboratorio
if __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.py utiliza exclusivamente el SDK unificado google-genai (genai.Client()). ✓
  • La temperatura del modelo generativo de Gemini está configurada de manera conservadora ($0.2$) para evitar alucinaciones analíticas en producción. ✓