[{"data":1,"prerenderedAt":28},["ShallowReactive",2],{"article-data-curso-gcp-ai-ops-13":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 13: Gobernanza de AIOps. Aprende a implementar controles de acceso (IAM), auditoría de decisiones automáticas y gestión del ciclo de vida de los modelos.\">\n    \u003Cmeta name=\"keywords\"\n        content=\"Gobernanza, IAM, Model Registry, Auditoría, Google Cloud, Ciclo de vida, MLOps, AIOps, Explicabilidad\">\n    \u003Cmeta name=\"author\" content=\"Eduardo Martínez Agrelo\">\n    \u003Ctitle>Gobernanza de AIOps: Modelos y Responsabilidades | 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 13: Gobernanza de AIOps (Modelos, Pipelines y Responsabilidades)\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 13. En esta etapa, aprenderemos que la inteligencia artificial en producción requiere de un\n        marco de control estricto. La \u003Cstrong>Gobernanza de AIOps\u003C/strong> no trata de poner frenos al desarrollo, sino\n        de construir los raíles de seguridad necesarios para que el negocio confíe en las decisiones automatizadas.\n        Implementaremos controles de acceso, trazabilidad y gestión de versiones para asegurar que nuestra IA sea ética,\n        segura y auditable.\u003C/p>\n\n    \u003Ch2>Control de Acceso Granular y Mínimo Privilegio\u003C/h2>\n\n    \u003Cp>En una organización profesional, la seguridad empieza por definir quién tiene permiso para alterar la\n        inteligencia de producción. Aplicaremos el principio de mínimo privilegio mediante \u003Cstrong>IAM\u003C/strong>:\u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>Roles Diferenciados:\u003C/strong> Separaremos las responsabilidades entre el \"AIOps Developer\" (que\n            puede entrenar modelos) y el \"AIOps Admin\" (el único con permisos para desplegar en producción).\u003C/li>\n        \u003Cli>\u003Cstrong>Seguridad de Datos:\u003C/strong> Veremos cómo restringir el acceso a los datasets de entrenamiento para\n            proteger la privacidad y cumplir con las normativas de cumplimiento de datos.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>Auditoría de Decisiones y Explicabilidad Técnica\u003C/h2>\n\n    \u003Cp>El mayor riesgo de la IA es el efecto \"caja negra\". Ante una acción automática, como el reinicio de un servidor,\n        debemos ser capaces de explicar el porqué:\u003C/p>\n    \u003Cp>\u003Ccode>log_automated_decision(model_version='v2.1', decision='RESTART', confidence=0.94)\u003C/code>\u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>Trazabilidad:\u003C/strong> Crearemos un sistema de auditoría en BigQuery que registre no solo la\n            decisión, sino el contexto métrico que vio la IA en ese instante.\u003C/li>\n        \u003Cli>\u003Cstrong>Transparencia:\u003C/strong> Esta bitácora técnica permitirá a los auditores y al equipo de SRE validar\n            que el comportamiento de la IA se ajusta a las políticas operativas de la compañía.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>Gestión del Lifecycle y Versiones de Modelos\u003C/h2>\n\n    \u003Cp>Un modelo de IA es software vivo y, como tal, requiere de una gestión de ciclo de vida madura utilizando el\n        \u003Cstrong>Model Registry\u003C/strong> de Vertex AI:\u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>Etiquetado y Alias:\u003C/strong> Aprenderemos a marcar versiones específicas como\n            \u003Ccode>prod-ready\u003C/code> o \u003Ccode>staging\u003C/code>, asegurando que nuestras aplicaciones consuman siempre el\n            modelo validado.\u003C/li>\n        \u003Cli>\u003Cstrong>Estrategias de Rollback:\u003C/strong> Veremos cómo la gobernanza permite revertir a una versión anterior\n            del modelo de forma instantánea si se detecta una degradación en el rendimiento real, garantizando la\n            continuidad del negocio.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>Implementación práctica\u003C/h2>\n\n    \u003Cp>En este laboratorio, utilizarás Terraform para definir roles de IAM personalizados y una tabla de auditoría de\n        decisiones en BigQuery. Desarrollarás un script en Python llamado \u003Ccode>registrar_auditoria_decision.py\u003C/code>\n        que simulará la lógica de guardado de contexto técnico tras una acción de la IA. Finalmente, programarás un\n        gestor de versiones que promoverá automáticamente un modelo a producción mediante el uso de etiquetas en el\n        Model Registry de Vertex AI, consolidando un marco de gobernanza profesional en tu infraestructura.\n    \u003C/p>\n\n    \u003Ch2>Conclusión: Confianza a través del control\u003C/h2>\n    \u003Cp>Has aprendido que la IA responsable es aquella que puede ser auditada y gobernada. Has transformado un sistema\n        experimental en uno con garantías de nivel empresarial. Con el control total sobre tus modelos establecido, el\n        siguiente paso es aprender a medir el impacto real y el retorno de inversión (ROI) que toda esta arquitectura\n        está aportando a la compañía.\u003C/p>\n\u003C/body>\n\n\u003C/html>","May 28, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-13.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]