Con la creciente complejidad de los entornos de AWS, la resolución de problemas con los recursos puede convertirse en una tarea desalentadora. La investigación y resolución manual de problemas no solo consume tiempo, sino que también es propensa a errores, especialmente en sistemas intrincados. Para mitigar estas dificultades, AWS ha lanzado una herramienta conocida como AWS Support Automation Workflows. Esta colección de runbooks de automatización de autogestión, elaborados por el equipo de soporte técnico de AWS, incorpora las mejores prácticas derivadas de la resolución de problemas de los clientes, permitiendo así a los usuarios diagnosticar y remediar problemas comunes con eficiencia.

Por otro lado, Amazon Bedrock representa un servicio completamente gestionado que ofrece una variedad de modelos fundamentales de alto rendimiento de empresas de inteligencia artificial destacadas como AI21 Labs, Anthropic, Cohere, Meta, Mistral AI, Stability AI y Amazon. Este servicio permite a los usuarios experimentar y evaluar estos modelos para sus diversas necesidades, además de personalizarlos con sus propios datos a través de técnicas como ajuste fino y generación aumentada por recuperación (RAG). Gracias a su naturaleza sin servidor, Amazon Bedrock elimina la necesidad de gestionar infraestructura y permite integrar de manera segura capacidades de IA generativa en las aplicaciones.

Recientemente, un análisis conjunto de las capacidades de Amazon Bedrock y los Workflows de Automatización de Soporte de AWS ha revelado cómo se puede crear un agente inteligente capaz de diagnosticar problemas con los recursos de AWS. Este enfoque se centra en un ejemplo específico: la resolución de problemas de un nodo de trabajo del servicio Amazon Elastic Kubernetes Service (EKS) que no logró unirse a un clúster.

El agente inteligente opera como una interfaz avanzada entre los usuarios y los Workflows de Automatización de Soporte de AWS. Utiliza un modelo de razonamiento avanzado para interpretar consultas en lenguaje natural y gestionar el flujo de la conversación, recogiendo información clave necesaria para realizar la resolución de problemas.

El flujo de trabajo se inicia cuando un usuario describe su problema en el entorno de chat de Amazon Bedrock. Por ejemplo, alguien podría preguntar «¿Por qué mi nodo de trabajo de EKS no se une al clúster?». El agente evalúa la consulta y se asegura de recopilar todos los datos necesarios antes de proceder con la automatización de la solución. Utiliza funciones de Lambda para ejecutar la correspondiente automatización, la cual realiza una serie de chequeos diagnósticos de forma automática y sin necesidad de intervención del usuario.

Los resultados obtenidos de estas verificaciones se procesan utilizando razonamiento de tipo «cadena de pensamiento» (CoT), lo que permite al agente analizar los hallazgos técnicos, identificar las causas raíz de los problemas y proporcionar guías paso a paso para la remediación. Esto no solo economiza tiempo, sino que también mejora la efectividad y precisión en la resolución de problemas.

En el caso de un nodo de trabajo de EKS que no se une al clúster, el agente invocará el Workflow de Automatización de Soporte adecuado, que realizará verificaciones como la validación de permisos de rol IAM del nodo de trabajo y la confirmación de conectividad de red. Una vez completadas las verificaciones, el agente presentará una explicación clara de las causas del problema y ofrecerá recomendaciones para la solución.

Este nuevo enfoque no solo promete una mejora notable en la gestión de recursos de AWS, sino que representa un aprovechamiento significativo de las herramientas y modelos de inteligencia artificial actuales. Con el poder de Amazon Bedrock y los Workflows de Soporte de AWS, organizaciones de todo el mundo pueden esperar una simplificación de sus operaciones en la nube, logrando una administración más eficiente y efectiva de sus infraestructuras tecnológicas.
vía: AWS machine learning blog