Modelo AIInsight

Archivo: monitoring/models_insight.py | DB: PostgreSQL (monitoring app) | Migration: 0020 (2026-06-05)

Propósito

Modelo que captura insights de inteligencia artificial generados por el Tutor (LLM) sobre anomalías detectadas en el monitoreo. Transforma datos de red (SNMP, SSH, syslog) en diagnósticos estructurados con recomendaciones de remediación.

Post-SA3: incluye campo category para clasificación estructurada (CONNECTIVITY / SECURITY / PERFORMANCE / OTHER), eliminando la necesidad de regex-matching en lógica de negocio.

Campos

Identidad

Anomalía original

Diagnóstico del Tutor

Recomendación de acción

Clasificación estructurada (Etapa 3 B18)

Enum AIInsight.Category:

class Category(models.TextChoices):
    CONNECTIVITY = "connectivity", "Connectivity"
    SECURITY = "security", "Security"
    PERFORMANCE = "performance", "Performance"
    OTHER = "other", "Other"

Asignación: En create_insight(), vía classify_insight_category(trigger_text + summary_text), que busca keywords hardcodeadas (idénticas a las de la migration 0020 para determinismo).

Control de estado

Índices

Flujo de creación

1. Anomalía detectada: MonitoringAlert → spike o threshold violation.
2. Recolectar contexto: SNMP walk, SSH log snapshot, syslog.
3. Llamada al Tutor: create_insight(target, anomaly_description, snmp_data, ssh_logs, ...).
4. Clasificación automática: classify_insight_category(f"{anomaly_description} {diagnosis_summary}") → asigna category.
5. Almacenar en DB: AIInsight + AIInsightAuditLog.

Flujo de resolución automática (Etapa 3)

Antes (B18):

pending = AIInsight.objects.filter(target_id=target_id, status=PENDING)
for insight in pending:
    text = f"{insight.summary} {insight.anomaly_trigger}".lower()
    if any(kw in text for kw in ["total loss", "100%", ...]):  # Substring match ❌
        insight.status = ACKNOWLEDGED

Después (Etapa 3):

pending = AIInsight.objects.filter(
    target_id=target_id,
    status=PENDING,
    category=AIInsight.Category.CONNECTIVITY  # Estructurado, indexed ✓
)
for insight in pending:
    insight.status = ACKNOWLEDGED  # Sin regex

Ventajas:

• Más eficiente (query directa en DB vs. bucle en Python).
• Más mantenible (categoría definida en create_insight, no en lógica de resolución).
• Extensible (agregar SECURITY / PERFORMANCE auto-resolve en el futuro sin tocar modelo).

Migración 0020

Fecha: 2026-06-05 | Status: RunPython autónomo

La migración:

1. Añade campo category (CharField, choices, indexed, default=“other”).
2. Backfill: itera todos los AIInsight existentes, aplica la función _classify (snapshot de keywords) a cada uno.
3. Solo actualiza si category != "other" (optimización: evita touchdowns innecesarios).
4. Bulk update en batches de 500 filas.
5. Rollback: noop_reverse (no puede deshacer el backfill de forma limpia sin pérdida de info).

Snapshot de keywords en la migration:

_CONNECTIVITY = ["total loss", "unreachable", "100%", "device down", "link_down", "link down"]
_SECURITY = ["rogue", "deauth", "evil twin", "arp spoof", ..., "spoofing"]
_PERFORMANCE = ["latency", "packet loss", ..., "duplex"]

Idéntico a insight_service._CONNECTIVITY_KEYWORDS etc., asegurando determinismo histórico.

Relaciones

Auditoría

Todo cambio de estado crea un AIInsightAuditLog:

AIInsightAuditLog.objects.create(
    insight=insight,
    action="created" | "acknowledged" | "auto_resolved",
    details={"reason": "...", "provider": "..."}
)

Véase también

• [[feature—monitoring—cierre-deudas-sa3]]
• [[entity—monitoring—service—insight-service]]
• [[entity—monitoring—model—monitoring-target]]
• [[entity—monitoring—model—monitoring-alert]]
• [[entity—monitoring—service—http-service]]