EN
joseph
Escríbeme ↗
MIDE • PREDICE • AHORRA • MIDE • PREDICE • AHORRA •
caso 05 / 05

Aura Optimizer 

Modelo de machine learning que predice el gasto en AWS y sugiere optimizaciones de escalamiento.

Año
2025
Rol
Datos · Cloud FinOps
Estado
Código fuente propietario
( arquitectura )

Cómo está hecho

CloudWatchCost ExplorerPythonScikit-LearnS3AWS SDK
entrena≡EventBridgenocturno↗CloudWatchmétricas↗Cost ExplorerfacturaciónλCollectorλ python◉S3 Data Lakeparquet✦Forecast Modelscikit-learnλRecommenderλ lambda◉DynamoDBacciones▭Slackalertas
Pasa el mouse por un servicio para ver sus conexiones
( el problema )

La factura de la nube solo sorprendía al equipo a fin de mes, cuando ya era tarde para ajustar el tamaño de nada.

( la solución )

Un pipeline nocturno recopila señales de uso y costo, pronostica el mes con un modelo de gradient boosting y publica en Slack acciones concretas de right-sizing.

−31%
de gasto mensual en AWS
±4%
de error en el pronóstico
cada noche
totalmente automatizado
( flujo de una petición )
  1. 01EventBridge lanza cada noche un trabajo de recolección.
  2. 02Una Lambda recolectora lleva las métricas de CloudWatch y los datos de Cost Explorer a un data lake en S3.
  3. 03Un modelo de Scikit-Learn pronostica el gasto y detecta recursos ociosos o sobredimensionados.
  4. 04Las recomendaciones se guardan en DynamoDB y se publican en Slack con acciones de un clic.
aura.console● en vivo
−31%
de gasto mensual en AWS
±4%
de error en el pronóstico
cada noche
totalmente automatizado
handler.py
1model = GradientBoostingRegressor()
2model.fit(X_usage, y_cost)
3forecast = model.predict(next_30d)
4recs = rightsize(idle(instances))
5slack.post(recs)
6▍
main ✓Python · UTF-8 · Ln 6
Siguiente caso · 01
Nexus AI Content Engine →