UD4 · Integración en el flujo productivo

Objetivos de la unidad

Al finalizar esta unidad el alumno sera capaz de:

• Habilitar entradas de datos al sistema de IA desde distintas fuentes (APIs, streaming, SCADA, IoT)
• Habilitar salidas del sistema de IA hacia los sistemas consumidores con el formato y latencia requeridos
• Verificar las integraciones mediante pruebas de extremo a extremo
• Incorporar metadatos de trazabilidad en cada mensaje procesado
• Documentar todas las intervenciones de integracion y sus logs

Resultado de aprendizaje: Integra sistemas de IA en el flujo productivo aplicando el Plan de integracion.

El flujo productivo: vision de conjunto

Posicion del sistema de IA en el flujo de datos

FUENTES DE DATOS          SISTEMA DE IA             CONSUMIDORES
─────────────────         ──────────────            ────────────────
API REST cliente    ──►   Pre-procesado             API downstream
Stream Kafka        ──►   Inferencia del modelo ──► Base de datos
Sistema SCADA       ──►   Post-procesado            Dashboard / BI
Sensor IoT / MQTT   ──►   Metadatos de trazab.      Actuador / robot
Embebido / robot    ──►                             Almacen de eventos

El Plan de integracion especifica exactamente que fuentes y destinos debe conectar el sistema, con que formatos, protocolos y requisitos de latencia.

Habilitacion de entradas: API REST

Integracion de entrada via API REST

La entrada por API REST es el patron mas comun en sistemas de IA de propocito general: el cliente llama al endpoint del modelo con los datos de entrada.

# Ejemplo: servidor FastAPI que recibe peticiones de inferencia
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import uuid, time

app = FastAPI()

class PeticionInferencia(BaseModel):
    datos: list[float]
    cliente_id: str

@app.post("/predict")
async def predecir(peticion: PeticionInferencia):
    trace_id = str(uuid.uuid4())
    marca_temporal = time.time()
    # ... logica de inferencia ...
    return {
        "prediccion": resultado,
        "trace_id": trace_id,
        "modelo_version": "3.2.1",
        "timestamp": marca_temporal,
        "confianza": 0.94
    }

Habilitacion de entradas: streaming con Kafka

Por que Kafka para sistemas de IA en tiempo real

Apache Kafka es el estandar para la intermediacion de mensajes en sistemas de IA que procesan datos en tiempo real (deteccion de fraude, monitorización industrial, recomendacion en tiempo real).

from confluent_kafka import Consumer
consumer = Consumer({'bootstrap.servers': 'kafka:9092', 'group.id': 'modelo-fraude'})
consumer.subscribe(['transacciones-entrada'])
while True:
    msg = consumer.poll(timeout=1.0)
    if msg: procesar_y_predecir(msg.value())

Habilitacion de entradas: SCADA e industrial

Integracion con sistemas SCADA via OPC-UA

Los sistemas SCADA (Supervisory Control and Data Acquisition) son comunes en entornos industriales (fabricacion, energia, agua). La integracion con IA permite mantenimiento predictivo, control de calidad y optimizacion en tiempo real.

from opcua import Client

# Conectar al servidor OPC-UA del SCADA
cliente_opc = Client("opc.tcp://scada-servidor:4840/")
cliente_opc.connect()

# Suscribirse a variables de proceso
nodo_temperatura = cliente_opc.get_node("ns=2;i=1001")
nodo_vibracion   = cliente_opc.get_node("ns=2;i=1002")

# Leer valores actuales
temperatura = nodo_temperatura.get_value()
vibracion   = nodo_vibracion.get_value()

# Enviar al modelo de prediccion de fallos
prediccion = modelo.predict([[temperatura, vibracion]])

Protocolos alternativos en entornos industriales

• Modbus TCP/RTU: sencillo, muy extendido en PLCs antiguos
• EtherNet/IP: redes de control Rockwell/Allen-Bradley
• PROFINET: entornos Siemens

Habilitacion de entradas: IoT y embebidos

Patron MQTT para dispositivos IoT

MQTT (Message Queuing Telemetry Transport) es el protocolo ligero estandar para dispositivos IoT con recursos limitados.

import paho.mqtt.client as mqtt
import json

def on_message(client, userdata, msg):
    datos_sensor = json.loads(msg.payload)
    # Anadir metadatos de trazabilidad
    datos_sensor['trace_id'] = str(uuid.uuid4())
    datos_sensor['timestamp_recepcion'] = time.time()
    # Enviar al modelo
    prediccion = modelo.predict(extraer_features(datos_sensor))
    publicar_resultado(client, prediccion, datos_sensor['trace_id'])

cliente_mqtt = mqtt.Client()
cliente_mqtt.on_message = on_message
cliente_mqtt.connect("mqtt-broker", 1883)
cliente_mqtt.subscribe("fabrica/linea1/sensores/#")
cliente_mqtt.loop_forever()

Plataformas IoT cloud

Habilitacion de salidas: patrones y formatos

Patrones de salida segun el caso de uso

Formato de salida con metadatos de trazabilidad

{
  "prediccion": "fraude_probable",
  "confianza": 0.92,
  "trace_id": "a1b2c3d4-e5f6-...",
  "modelo_version": "clasificador-fraude-v3.2.1",
  "timestamp": "2025-03-15T14:32:00.123Z",
  "latencia_ms": 47,
  "features_version": "features-transacciones-v5"
}

Metadatos de trazabilidad: que incluir y por que

Los cuatro metadatos minimos de trazabilidad

Por que son obligatorios

• Permiten reproducir exactamente que modelo proceso cada solicitud
• Facilitan la depuracion de predicciones incorrectas
• Son requisito del Reglamento de IA UE para sistemas de alto riesgo
• Permiten el analisis de drift correlacionando versiones con cambios en la calidad

Verificacion de integraciones: pruebas de extremo a extremo

Plan de pruebas de integracion

Antes de dar por valida una integracion, se ejecuta un plan de pruebas estructurado:

Verificacion de integraciones: prueba de carga con k6

Ejemplo de prueba de carga del endpoint de inferencia

// prueba-carga-inferencia.js
import http from 'k6/http';
import { check, sleep } from 'k6';

export const options = {
  stages: [
    { duration: '2m', target: 50 },   // Subida a 50 usuarios
    { duration: '5m', target: 50 },   // Carga sostenida
    { duration: '2m', target: 0 },    // Bajada gradual
  ],
  thresholds: {
    http_req_duration: ['p(99)<500'],  // P99 < 500 ms
    http_req_failed: ['rate<0.01'],    // Tasa de error < 1%
  },
};

export default function () {
  const payload = JSON.stringify({ datos: [1.2, 3.4, 5.6, 7.8] });
  const res = http.post('http://api-inferencia/predict', payload,
    { headers: { 'Content-Type': 'application/json' } });
  check(res, { 'status 200': (r) => r.status === 200 });
  sleep(1);
}

Documentacion de intervenciones de integracion

Registro de intervenciones en el Plan de integracion

Cada conexion activada debe quedar documentada con:

Actividad practica: integracion de un modelo en un flujo industrial

Escenario

Una planta de fabricacion tiene 50 sensores de temperatura y vibracion que publican via MQTT cada 500 ms. Se quiere integrar un modelo de prediccion de fallos de maquinaria que debe:

• Recibir los datos de los sensores
• Producir una prediccion con nivel de alerta (normal, aviso, critico) en menos de 200 ms
• Escribir el resultado en una base de datos InfluxDB para visualizacion en Grafana
• Enviar una notificacion via webhook si el nivel es "critico"

Tarea

1. Dibujar el diagrama de flujo de datos (descripcion textual)
2. Disenar el formato de mensaje de entrada y de salida con metadatos de trazabilidad
3. Definir el plan de verificacion de la integracion
4. Identificar los riesgos de la integracion y las medidas de mitigacion

Puntos clave de la UD4

• La integracion no es solo conectar cables: implica definir protocolos, formatos, autenticacion, latencia y tratamiento de errores
• Cada escenario de entrada tiene su patron natural: REST para consultas sincrona, Kafka para streaming de alta frecuencia, MQTT para IoT, OPC-UA para SCADA industrial
• Los metadatos de trazabilidad no son opcionales: trace_id, modelo_version, timestamp y confianza deben acompanar a cada prediccion
• Las pruebas de integracion deben incluir pruebas de carga con datos reales, no solo pruebas de conectividad
• El tratamiento de errores es tan importante como el camino feliz: el sistema debe degradar de forma controlada cuando una fuente de datos falla
• Cada integracion activada queda documentada con todos sus parametros en el registro de intervenciones

Criterios de evaluacion — UD4

← Volver a MP02

Navegación

← UD3 · Instalación de aplicaciones d…  ·  Volver al módulo  ·  UD5 · Puesta en servicio →