Ir al contenido

Otimização e Armazenamento Analítico (O 'Como Melhorar')

Estratégias avançadas de otimização de dados, redução de volume e design relacional de bancos de dados para SHAP na Portelcore.

0lecturas

Em um ambiente de produção automatizado que executa previsões contínuas, o volume de dados gerado pelo SHAP pode escalar de maneira insustentável se não for mitigado adequadamente.

  • Matriz Exponencial: Se um modelo processa $10.000$ previsões diárias analisando $80$ variáveis preditivas, uma decomposição SHAP completa gerará $800.000$ novos registros de telemetria por dia.
  • Problemas Associados:
    • Degradação nas Consultas: Os painéis analíticos (Grafana, Kibana, Power BI) sofrem latências severas ao processar consultas analíticas agregadas sobre bilhões de linhas.
    • Inutilidade da Estabilidade: Armazenar indefinidamente a decomposição exata de previsões altamente estáveis (onde o modelo acerta com absoluta certeza) consome espaço custoso e não traz valor de aprendizado ou depuração.

3.2. Estratégias de Retenção Seletiva da Portelcore

Sección titulada «3.2. Estrategias de Retención Selectiva de Portelcore»

Para mitigar o crescimento descontrolado do armazenamento analítico, a equipe de engenharia da Portelcore aplica a Estratégia Híbrida de Telemetria:

[ Entrada de Predicciones ]
|
{ ¿Es interesante? }
/ \
(Sí: Excepción o Muestra) (No: Operación Nominal)
/ \
[ Almacenar Desglose SHAP Completo ] [ Almacenar Solo Predicción Final ]
  1. Auditoria de Erros (A Regra de Ouro):
    • if prediccion_modelo != resultado_real
    • Armazenar a autópsia SHAP completa de todos os falsos positivos e falsos negativos. Esses desvios lógicos constituem a principal fonte de dados para re-treinamentos e debugging.
  2. Amostragem Periódica de Controle:
    • if transaction_id % 100 == 0
    • Armazenar 1 de cada 100 transações bem-sucedidas padrão. Isso fornece uma linha de base estatística para estudar o comportamento ordinário do modelo sem saturar o armazenamento.
  3. Filtrado por Desviación de Confianza (Anomalías):
    • if output_probability BETWEEN 0.45 AND 0.55
    • Armazenar de forma detalhada previsões com um alto nível de incerteza (próximas ao limiar de decisão).

3.3. Design de Banco de Dados Relacional Otimizado

Sección titulada «3.3. Diseño de Base de Datos Relacional Optimizada»

Almacenar atribuciones SHAP em formatos de arquivo plano (.csv ou .json) é uma má prática que degrada o desempenho de busca. Implementamos um esquema relacional otimizado de três níveis para garantir uma busca eficiente da telemetria predictiva.

Modelo Entidade-Relacionamento (ERD)

Sección titulada «Modelo Entidad-Relación (ERD)»
erDiagram
EJECUCION {
VARCHAR run_id PK
TIMESTAMP started_at
VARCHAR model_version
}
PREDICCION {
VARCHAR prediction_id PK
VARCHAR run_id FK
TIMESTAMP predicted_at
VARCHAR portel_user_id
FLOAT output_probability
BOOLEAN actual_outcome
}
ATRIBUCION_SHAP {
BIGINT attribution_id PK
VARCHAR prediction_id FK
VARCHAR feature_name
FLOAT feature_value
FLOAT shap_value
}
EJECUCION ||--o{ PREDICCION : "genera"
PREDICCION ||--o{ ATRIBUCION_SHAP : "desglosa"

Script DDL SQL (PostgreSQL & SQLite Compatible)

Sección titulada «Script DDL SQL (PostgreSQL & SQLite Compatible)»

O script a seguir estabelece as tabelas analíticas, garantindo integridade referencial em cascata e indexação para buscas massivas rápidas:

-- 1. Tabla de Trazabilidad de Ejecuciones del Pipeline
CREATE TABLE IF NOT EXISTS model_runs (
run_id VARCHAR(64) PRIMARY KEY,
started_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
model_version VARCHAR(32) NOT NULL
);
-- 2. Tabla de Registro de Predicciones Guardadas (Híbrido)
CREATE TABLE IF NOT EXISTS model_predictions (
prediction_id VARCHAR(64) PRIMARY KEY,
run_id VARCHAR(64) REFERENCES model_runs(run_id) ON DELETE CASCADE,
predicted_at TIMESTAMP NOT NULL,
portel_user_id VARCHAR(64) NOT NULL,
output_probability REAL NOT NULL,
actual_outcome BOOLEAN, -- NULL si no se ha validado aún el resultado real
CONSTRAINT fk_run FOREIGN KEY (run_id) REFERENCES model_runs(run_id)
);
-- 3. Tabla Granular de Atribuciones SHAP
CREATE TABLE IF NOT EXISTS shap_attributions (
attribution_id INTEGER PRIMARY KEY AUTOINCREMENT, -- Utilizar BIGSERIAL en PostgreSQL
prediction_id VARCHAR(64) REFERENCES model_predictions(prediction_id) ON DELETE CASCADE,
feature_name VARCHAR(128) NOT NULL,
feature_value REAL NOT NULL,
shap_value REAL NOT NULL,
CONSTRAINT fk_prediction FOREIGN KEY (prediction_id) REFERENCES model_predictions(prediction_id)
);
-- Índices de Alto Rendimiento para Consultas del Equipo Analítico
CREATE INDEX IF NOT EXISTS idx_predictions_run ON model_predictions(run_id);
CREATE INDEX IF NOT EXISTS idx_attributions_prediction ON shap_attributions(prediction_id);
CREATE INDEX IF NOT EXISTS idx_attributions_feature ON shap_attributions(feature_name);

Com este design otimizado, podemos auditar falhas preditivas em segundos por meio de uma consulta estruturada simples:

SELECT
p.prediction_id,
p.portel_user_id,
p.output_probability,
a.feature_name,
a.feature_value,
a.shap_value
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 -- Predicción fallida
ORDER BY ABS(a.shap_value) DESC
LIMIT 10;

Verifique se o sistema analítico atende aos critérios de otimização do tenant:

  • Eu descartei a persistência local em arquivos .json em favor do esquema relacional indexado. ✓
  • A política de retenção selectiva (híbrida) reduz o consumo de dados diário em pelo menos 80%. ✓
  • Os índices de chave foránea estão corretamente desplegados para garantir sub-segundos de resposta em dashboards corporativos de portelcore.com. ✓