Índice

[[#Arquitectura]]
[[#Automatización de infraestructura CES]]
[[#Extracción de Data Insights]]
[[#Disaster Recovery]]

Arquitectura

DevOps y gestión de lanzamientos

Para establecer una gestión de lanzamientos sólida, es necesario responder a dos preguntas:

1. ¿Cómo gestionarás tus entornos? Es crucial usar distintos entornos para desarrollo, pruebas y lanzamiento (draft, unit testing, ready to merge, etc.).

2. ¿Qué interfaz se usará para el monitoreo? Se necesita una interfaz para diferenciar entre operaciones normales y anómalas, y para medir el rendimiento.

Flujo de trabajo de desarrollo

El uso de entornos separados y un flujo de trabajo claro permite que múltiples desarrollos se realicen de manera independiente y en paralelo.

1. Entornos separados: Diferentes entornos como draft, unit testing y ready to merge permiten a los equipos trabajar en distintas funcionalidades al mismo tiempo.

2. Detección temprana de errores: La supervisión de cada fase ayuda a identificar y corregir problemas de forma temprana.

3. Artefacto dorado (Golden Artifact): El objetivo es producir un candidato para el lanzamiento a producción que esté completamente probado y validado.

Consideraciones para el lanzamiento a producción

Una vez que tienes el "artefacto dorado", hay dos puntos importantes para el lanzamiento:

1. Despliegue gradual: Si es posible, implementa la nueva versión de forma gradual, por ejemplo, comenzando con el 1% del tráfico y aumentando progresivamente hasta el 100%.

2. Automatización: El entorno de producción debe estar completamente automatizado. La intervención manual (break-glass intervention) solo debe ocurrir en situaciones de emergencia.

Automatización de infraestructura CES

Existen tres herramientas principales para automatizar las operaciones y el mantenimiento de Agentes Conversacionales: la API nativa, las librerías cliente y la API de scripting de Python SCRAPI.

1. La API de Agentes Conversacionales

La API de Agentes Conversacionales es una herramienta robusta y completa para automatizar y reconfigurar despliegues. Sin embargo, tiene algunas características que pueden suponer un reto para quienes no estén familiarizados con ella:

• Está diseñada en torno a llamadas a procedimiento remoto (RPC) en lugar de un diseño RESTful, lo cual puede resultar complejo.

• Cada versión de la API (Version 2, Version 3) coexiste y tiene su propio ciclo de vida (Alpha, Beta, Generally Available). Una versión no reemplaza a la anterior; simplemente se adaptan a diferentes tipos de trabajo.

• Con el tiempo, las APIs más antiguas pueden quedar obsoletas y sus funciones se integran en APIs más recientes.

2. Librerías cliente

Las librerías cliente funcionan de forma similar a las APIs nativas, permitiendo acceder a ellas desde lenguajes de programación populares. También puedes usar tus propias librerías personalizadas para llamar al servicio de la API.

3. SCRAPI

SCRAPI (Conversational Agents SCRipting API) es una API de Python de alto nivel y de código abierto que simplifica el proceso de creación, desarrollo y mantenimiento de Agentes Conversacionales. Es una alternativa popular a las APIs nativas, ya que maneja gran parte de la complejidad subyacente.

Ventajas de SCRAPI

• Maneja la autenticación y regionalización de forma automática.

• Reduce la cantidad de código necesario.

• Permite trabajar con datos en estructuras de Python familiares (listas, diccionarios).

• Ofrece extensiones que se integran con herramientas de uso diario:

  • Pandas DataFrames: Se usa para importar y exportar datos.

  • Google Sheets: Permite a los equipos de operaciones gestionar y modificar la NLU (unidad de comprensión del lenguaje) de los agentes de forma bidireccional.

  • Cloud Functions: Permite construir webhooks.

  • Capacidades avanzadas de Machine Learning.

• Permite extraer recursos (como intents y entidades) para modificarlos y luego volver a escribirlos o transferirlos a otros agentes.

• Los recursos pueden almacenarse en un control de versiones externo (como Gitlab o Github) para crear flujos CI/CD para la creación, mantenimiento y control de calidad de bots.

Extracción de Data Insights

Primero, configura una plantilla de la API de Prevención de Pérdida de Datos para enmascarar la información sensible. Segundo, habilita las opciones de "Conversation History" y "BigQuery Export" en la configuración del agente. Tercero, selecciona el conjunto de datos y la tabla de destino, que deben estar en el mismo proyecto que el agente.

Consideraciones para la exportación a BigQuery

• Proyecto: El agente y el conjunto de datos de BigQuery deben estar en el mismo proyecto de Google Cloud.

• Esquema de la tabla: La tabla debe tener la estructura correcta para almacenar la información de las interacciones, incluyendo metadatos y objetos completos de solicitud y respuesta.

• Particionamiento: Particionar la tabla ayuda a optimizar el rendimiento de las consultas analíticas y a gestionar los costos, además de permitir la definición de una política de caducidad de datos.

Filtrado de logs en Cloud Logging

• Filtros básicos: Permiten buscar un campo específico o combinar búsquedas con operadores and y or.

• Filtros avanzados: Ofrecen más flexibilidad, permitiendo el uso de caracteres comodín, rangos, expresiones booleanas y la búsqueda en campos de tiempo (timestamp).

Disaster Recovery

1. Continuidad del Negocio (BCP)

Un plan de continuidad del negocio (BCP) describe cómo los servicios esenciales seguirán operando a pesar de las interrupciones. Para implementar un BCP sólido, se recomienda:

• Entender los procesos existentes: Colabora con los equipos de operaciones y seguridad para integrar sus procesos de respaldo y continuidad en tu plan.

• Usar flujos CI/CD: Implementa pipelines de integración continua y despliegue continuo para la construcción y despliegue de agentes. Esto asegura un proceso coordinado y eficaz.

2. Recuperación ante Desastres (DR)

El plan de recuperación ante desastres (DRP) es una parte del BCP. Contempla tres tipos de acciones:

• Preventivas: Planificar y familiarizarse con la documentación relevante.

• Detectivas: Configurar alertas para monitorear fallos en tiempo real.

• Correctivas: Establecer procedimientos para prepararse y recuperarse de las interrupciones.

Dos métricas clave para la recuperación ante desastres son:

• RTO (Recovery Time Objective): El tiempo máximo de inactividad tolerable después de un incidente.

• RPO (Recovery Point Objective): La cantidad máxima de datos que se puede perder.

3. Mejores prácticas y recomendaciones

• Logs y monitoreo: Configura tus agentes para usar Cloud Logging. Esto te permite monitorear la salud del servicio y crear métricas personalizadas.

• Copias de seguridad (Backups):

  • Agentes Conversacionales crea copias de seguridad de forma periódica después de cada cambio. También se pueden hacer manualmente.

  • Estas copias de seguridad son instantáneas completas del estado del agente y ayudan a acortar el RPO en caso de un incidente.

  • Es recomendable exportar estas copias de seguridad a un repositorio de código (Gitlab, Github) o a un bucket de Cloud Storage.

• Webhooks y dependencias:

  • Haz una lista de todos los servicios relacionados con tus agentes, incluyendo los webhooks y sus dependencias externas.

  • Diseña tus webhooks para que proporcionen continuidad e informes de errores.

  • Configura tus agentes para que manejen problemas de latencia y disponibilidad con los webhooks de forma fluida.

• Alta disponibilidad:

  • La mejor práctica para garantizar la disponibilidad es usar un agente global único.

  • Este agente global puede redirigir automáticamente las solicitudes a una región saludable en caso de una interrupción regional.

• Pruebas:

  • Es crucial probar los planes de recuperación ante desastres de forma regular.

  • Simula escenarios de interrupción de extremo a extremo, incluyendo los agentes conversacionales y todos sus componentes relacionados (webhooks, etc.), para identificar y corregir cualquier brecha.