[{"data":1,"prerenderedAt":28},["ShallowReactive",2],{"article-data-curso-gcp-ai-ops-05":3},{"content":4,"date":5,"image":6,"sideArticles":7},"\u003C!DOCTYPE html>\n\u003Chtml lang=\"es\">\n\n\u003Chead>\n    \u003Cmeta charset=\"UTF-8\">\n    \u003Cmeta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n    \u003Cmeta name=\"description\"\n        content=\"Módulo 5: Análisis Predictivo con BigQuery ML. Aprende a realizar forecasting de series temporales y clasificación de incidencias utilizando SQL dentro del Data Warehouse.\">\n    \u003Cmeta name=\"keywords\"\n        content=\"BigQuery ML, BQML, ARIMA+, Series Temporales, Forecasting, SQL, Machine Learning, AIOps, Google Cloud\">\n    \u003Cmeta name=\"author\" content=\"Eduardo Martínez Agrelo\">\n    \u003Ctitle>Análisis Predictivo con BigQuery ML | Curso AIOps\u003C/title>\n    \u003Cstyle>\n        body {\n            font-family: sans-serif;\n            line-height: 1.6;\n        }\n\n        h1,\n        h2,\n        h3 {\n            color: #333;\n        }\n\n        ul {\n            list-style-type: disc;\n            margin-left: 20px;\n        }\n\n        code {\n            background-color: #f4f4f4;\n            padding: 2px 5px;\n            border-radius: 3px;\n            font-family: monospace;\n        }\n    \u003C/style>\n\u003C/head>\n\n\u003Cbody>\n    \u003Ch1>Módulo 5: Análisis Predictivo (BigQuery ML y Series Temporales)\u003C/h1>\n\n    \u003Cp>\u003Cstrong>Autor:\u003C/strong> \u003Ca href=\"https://www.youtube.com/@EduardoMartinezAgrelo\" target=\"_blank\">Eduardo Martínez\n            Agrelo\u003C/a>\u003C/p>\n\n    \u003Cp>En este quinto módulo, exploraremos una de las herramientas más potentes para un ingeniero de datos y\n        operaciones: \u003Cstrong>BigQuery ML (BQML)\u003C/strong>. Aprenderemos que no siempre es necesario mover petabytes de\n        datos a plataformas externas para entrenar modelos de IA. BigQuery nos permite democratizar el Machine Learning\n        utilizando el lenguaje que ya conocemos, \u003Cstrong>SQL\u003C/strong>, directamente donde residen nuestros datos\n        operativos.\u003C/p>\n\n    \u003Ch2>BigQuery ML: Inteligencia Artificial dentro del Data Warehouse\u003C/h2>\n\n    \u003Cp>Tradicionalmente, el Machine Learning requería extraer datos, formatearlos y cargarlos en entornos de\n        entrenamiento. BQML elimina esta fricción:\u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>Velocidad de Iteración:\u003C/strong> Permite crear, entrenar y evaluar modelos en segundos mediante\n            sentencias SQL estándar, reduciendo drásticamente el tiempo de desarrollo.\u003C/li>\n        \u003Cli>\u003Cstrong>Serverless:\u003C/strong> Google Cloud se encarga de gestionar toda la infraestructura de cómputo\n            necesaria para el entrenamiento, permitiéndonos centrarnos exclusivamente en la lógica del modelo.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>Forecasting con ARIMA+: Prediciendo el comportamiento futuro\u003C/h2>\n\n    \u003Cp>Una de las claves de AIOps es el análisis de \u003Cstrong>Series Temporales\u003C/strong>. Utilizaremos el algoritmo\n        avanzado \u003Ccode>ARIMA_PLUS\u003C/code> para realizar proyecciones de carga:\u003C/p>\n    \u003Cp>\u003Ccode>CREATE MODEL ... OPTIONS(model_type='ARIMA_PLUS', time_series_data_col='cpu_utilization')\u003C/code>\u003C/p>\n    \u003Cp>Este modelo no solo analiza el pasado, sino que es capaz de detectar estacionalidad (patrones diarios o\n        semanales) y tendencias, permitiendo predecir cuándo un servidor alcanzará su límite de capacidad mucho antes de\n        que ocurra.\u003C/p>\n\n    \u003Ch2>Clasificación de Incidentes y Evaluación de Precisión\u003C/h2>\n\n    \u003Cp>Además de predecir valores numéricos, aprenderemos a clasificar el estado de salud de nuestra infraestructura:\n    \u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>Modelado Supervisado:\u003C/strong> Implementaremos modelos de Regresión Logística para predecir la\n            probabilidad de que un servidor falle basándonos en sus métricas actuales.\u003C/li>\n        \u003Cli>\u003Cstrong>Métricas de Valor:\u003C/strong> Veremos cómo evaluar el éxito de un modelo mediante la precisión y el\n            recall, asegurando que nuestra IA sea capaz de identificar fallos reales sin generar falsas alarmas que\n            saturen al equipo de guardia.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>Implementación práctica\u003C/h2>\n\n    \u003Cp>En este laboratorio, prepararás una vista de entrenamiento en BigQuery utilizando Terraform para limpiar y\n        estructurar tus datos operativos. Ejecutarás scripts SQL directamente en la consola de Google Cloud para\n        entrenar dos modelos: uno de \u003Cstrong>Forecasting\u003C/strong> para predecir el uso futuro de la CPU y otro de\n        \u003Cstrong>Clasificación\u003C/strong> para identificar riesgos de fallo. Finalmente, desarrollarás un script en Python\n        que consultará estos modelos mediante SQL para generar un informe predictivo sobre el estado de salud de tus\n        servidores, consolidando una estrategia de analítica predictiva profesional.\n    \u003C/p>\n\n    \u003Ch2>Conclusión: De analista a ingeniero predictivo\u003C/h2>\n    \u003Cp>Has aprendido que el SQL es una herramienta de IA de primer nivel. Has transformado tu Data Warehouse en un motor\n        de predicción capaz de mirar hacia el futuro. Con esta capacidad de análisis masivo establecida, el siguiente\n        reto es aprender a procesar estos mismos eventos en tiempo real, antes incluso de que lleguen a almacenarse en\n        la base de datos.\u003C/p>\n\u003C/body>\n\n\u003C/html>","May 28, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-05.jpg",[8,13,18,23],{"id":9,"title":10,"description":11,"image":12,"date":5},"curso-gcp-ai-ops-01","Fundamentos de AIOps en Google Cloud | Curso AIOps con Vertex AI","Módulo 1: Fundamentos de AIOps en Google Cloud. Aprende la transición de ITOps a operaciones inteligentes y cómo preparar tu infraestructura base con Terraform.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-01.jpg",{"id":14,"title":15,"description":16,"image":17,"date":5},"curso-gcp-ai-ops-02","Vertex AI para AIOps: AutoML y Despliegue | Curso AIOps","Módulo 2: Gestión de modelos con Vertex AI para AIOps. Aprende a utilizar AutoML, gestionar datasets tabulares y desplegar endpoints de predicción.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-02.jpg",{"id":19,"title":20,"description":21,"image":22,"date":5},"curso-gcp-ai-ops-03","Observabilidad Inteligente en GCP | Curso AIOps","Módulo 3: Observabilidad Inteligente en GCP. Configuración de Cloud Monitoring, Cloud Logging y creación de dashboards predictivos correlacionados con BigQuery.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-03.jpg",{"id":24,"title":25,"description":26,"image":27,"date":5},"curso-gcp-ai-ops-04","Automatización Operativa y Remediación | Curso AIOps","Módulo 4: Automatización Operativa en AIOps. Aprende a crear arquitecturas dirigidas por eventos con Cloud Functions y Pub/Sub para la remediación automática.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-04.jpg",1779944585129]