[{"data":1,"prerenderedAt":28},["ShallowReactive",2],{"article-data-curso-gcp-ai-ops-07":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 7: Detección de anomalías en infraestructura. Aprende a implementar umbrales dinámicos (3-Sigma) y modelos no supervisados de Clustering con BigQuery ML.\">\n    \u003Cmeta name=\"keywords\"\n        content=\"Anomalías, Clustering, K-Means, BigQuery ML, 3-Sigma, Umbrales Dinámicos, AIOps, Google Cloud, SRE\">\n    \u003Cmeta name=\"author\" content=\"Eduardo Martínez Agrelo\">\n    \u003Ctitle>Detección de Anomalías en Infraestructura | 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 7: Detección de Anomalías (Métricas, AutoML y Respuestas Automáticas)\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>Bienvenidos al Módulo 7. Hasta ahora hemos entrenado modelos para detectar fallos que ya conocíamos, pero en el\n        mundo real, los problemas suelen ser nuevos y desconocidos. En esta lección, aprenderemos a identificar\n        comportamientos \"extraños\" o fuera de lo común utilizando \u003Cstrong>Machine Learning No Supervisado\u003C/strong> y\n        estadística avanzada, permitiendo que nuestra infraestructura detecte incidentes sin necesidad de reglas\n        predefinidas.\u003C/p>\n\n    \u003Ch2>Modelos No Supervisados: Clustering con K-Means\u003C/h2>\n\n    \u003Cp>Cuando no tenemos etiquetas de \"fallo\" para entrenar a la IA, utilizamos el agrupamiento o\n        \u003Cstrong>Clustering\u003C/strong> para identificar patrones de comportamiento normal:\u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>K-Means en BigQuery ML:\u003C/strong> Utilizaremos este algoritmo para agrupar nuestros servidores por\n            perfiles de carga (Baja, Media, Alta).\u003C/li>\n        \u003Cli>\u003Cstrong>Detección de Outliers:\u003C/strong> Aprenderemos a usar la función \u003Ccode>ML.DETECT_ANOMALIES\u003C/code>, que\n            identifica aquellos datos que se alejan demasiado del centro de su grupo, señalándolos como posibles\n            incidentes de seguridad o rendimiento.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>El fin de los Umbrales Fijos: La Regla de 3-Sigma\u003C/h2>\n\n    \u003Cp>Una alerta estática al 80% de CPU es ineficiente en arquitecturas modernas. Implementaremos el concepto de\n        \u003Cstrong>Umbrales Dinámicos\u003C/strong> basándonos en la desviación estándar:\u003C/p>\n    \u003Cp>\u003Ccode>Umbral = Media Histórica + (3 * Desviación Estándar)\u003C/code>\u003C/p>\n    \u003Cp>Esta metodología, conocida como la regla de las tres sigmas, permite que cada servidor o microservicio tenga su\n        propio límite inteligente basado en su comportamiento histórico único, reduciendo drásticamente el ruido y la\n        fatiga de alertas del equipo de SRE.\u003C/p>\n\n    \u003Ch2>Correlación y Respuestas Automáticas Dinámicas\u003C/h2>\n\n    \u003Cp>La detección es solo el primer paso; la inteligencia reside en cómo integramos estos hallazgos con el ecosistema\n        de Google Cloud:\u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>Cloud Monitoring:\u003C/strong> Configuraremos políticas de alertas que no miren un número fijo, sino la\n            tasa de anomalías detectadas por nuestros modelos.\u003C/li>\n        \u003Cli>\u003Cstrong>Mitigación Inteligente:\u003C/strong> Conectaremos estos hallazgos con las Cloud Functions desarrolladas\n            en módulos anteriores para disparar procesos de remediación solo cuando la desviación estadística confirme\n            un problema real.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>Implementación práctica\u003C/h2>\n\n    \u003Cp>En este laboratorio, ejecutarás sentencias SQL en BigQuery para entrenar un modelo de Clustering que identifique\n        los perfiles de comportamiento de tu flota de servidores. Desarrollarás un script en Python llamado\n        \u003Ccode>detector_dinamico.py\u003C/code> que calculará los umbrales de seguridad individuales para cada recurso\n        utilizando estadística descriptiva. Finalmente, realizarás una prueba de estrés sobre un servidor y observarás\n        cómo el sistema identifica la anomalía basándose en su \"historia\" y no en un límite genérico, marcando el inicio\n        de una observabilidad verdaderamente adaptativa.\n    \u003C/p>\n\n    \u003Ch2>Conclusión: Descubriendo lo desconocido\u003C/h2>\n    \u003Cp>Has aprendido que el AIOps no solo predice lo que sabe, sino que sospecha de lo que no entiende. Has transformado\n        alertas rígidas en detectores inteligentes y dinámicos. Con esta capacidad de detección avanzada, el siguiente\n        paso es profesionalizar el ciclo de vida de estos modelos mediante el uso de pipelines de MLOps automatizados.\n    \u003C/p>\n\u003C/body>\n\n\u003C/html>","May 28, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-07.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]