Ir al contenido

Integrazione nell'Ecosistema dei Dati (Il 'Dove')

Metodologia di integrazione della pipeline SHAP con piattaforme di osservabilità come Grafana e l'SDK unificato di Gemini per diagnosi automatizzate in Portelcore.

0letture

4.1. Il Circolo Virtuoso Analitico in Portelcore

Sección titulada «4.1. El Círculo Virtuoso Analítico en Portelcore»

Il valore ultimo dell'interpretabilità tramite SHAP non risiede unicamente nella raccolta passiva di telemetria, ma nella sua integrazione dinamica per ottimizzare il processo decisionale aziendale.

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. Dashboard di Osservabilità: Connessione con Grafana

Sección titulada «4.2. Dashboards de Observabilidad: Conexión con Grafana»

Lo schema relazionale della telemetria analitica è ideale per alimentare dashboard interattive che consentano di monitorare il comportamento e la salute del modello.

1. Pannello di Tracciabilità e Cronologia di Attribuzione (Grafico a Linee)

Sección titulada «1. Panel de Trazabilidad e Historial de Atribución (Gráfico de Líneas)»
  • Scopo: Monitorare se l'impatto di una specifica variabile di business (ad es. tickets_soporte_abiertos) cambia drasticamente nel tempo.
  • Query SQL per 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. Pannello Forense delle Deviazioni Predittive (Tabella di Controllo)

Sección titulada «2. Panel Forense de Desvíos Predictivos (Tabla de Control)»
  • Scopo: Mostrare il dettaglio delle previsioni in cui il modello ha fallito con il maggior margine di errore.
  • Query SQL per 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. Diagnostica Forense Automatizzata con Gemini

Sección titulada «4.3. Diagnóstico Forense Automatizado con Gemini»

Il livello più alto di automazione analitica in Portelcore consiste nell'utilizzare l'Intelligenza Artificiale di Google (Gemini) per controllare e diagnosticare gli errori logici del modello predittivo interpretato da SHAP.

Questo script interagisce con il database di telemetria e utilizza l'SDK unificato di Google GenAI (google-genai) per generare diagnosi in linguaggio naturale strutturato.

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 di Validazione dell'Ecosistema

Sección titulada «4.4. Checklist de Validación del Ecosistema»

Assicurati che l'integrazione fluisca end-to-end prima di considerare chiusa la pipeline:

  • Le query di Grafana sono indicizzate per evitare scansioni complete delle tabelle sui database di portelcore.com. ✓
  • Lo script analisis_forense_ia.py utilizza esclusivamente l'SDK unificato google-genai (genai.Client()). ✓
  • La temperatura del modello generativo di Gemini è configurata in modo conservativo ($0.2$) per evitare allucinazioni analitiche in produzione. ✓