Caso de estudio · Medios de comunicación y entretenimiento

Altostrat Media

Empresa de medios con un gran archivo de audio y vídeo que ya vive en Google Cloud (GKE, Cloud Storage, BigQuery, Cloud Run functions) y quiere usar IA generativa para personalizar, resumir, moderar y conversar con su audiencia, sin descuidar la fiabilidad, los costes y la parte on-premises que aún conserva.

Leer el caso oficial (PDF, en inglés) ↗

El caso en pocas palabras

Altostrat es una empresa de medios con un catálogo enorme de pódcasts, entrevistas, informativos y documentales. A diferencia de otros casos, ya está mayoritariamente en Google Cloud: el reto no es «migrar a la nube», sino sacar partido de la IA generativa sobre lo que ya tiene (personalización, lenguaje natural, resúmenes, metadatos, moderación) y, a la vez, ordenar la operación: CI/CD centralizado, Kubernetes coherente en la nube y on-premises, observabilidad unificada y control del coste de almacenamiento.

La frase que mejor resume el caso está en la declaración del directivo: «Reliability and cost management are our top priorities». Cualquier respuesta del examen que añada IA pero dispare el coste o reduzca la fiabilidad será sospechosa.

Entorno técnico actual

Requisitos

Requisitos de negocio (business requirements)

1. Acelerar y hacer más fiables los flujos operativos en todos los entornos, nube y on-premises.
2. Simplificar la gestión de infraestructura para desplegar aplicaciones rápido.
3. Optimizar el coste de almacenamiento manteniendo alta disponibilidad y escalabilidad (optimize cloud storage costs).
4. Interacción en lenguaje natural con la plataforma y soporte 24/7 (natural language interaction, 24/7 user support).
5. Generar resúmenes concisos del contenido (automatically generate concise summaries).
6. Extraer metadatos ricos con NLP y visión artificial (NLP and computer vision).
7. Detectar y filtrar contenido inapropiado (detect and filter inappropriate content).
8. Analizar el contenido para detectar tendencias y extraer conclusiones.
9. Decidir la estrategia de contenidos con datos (data-driven decision-making).

Requisitos técnicos (technical requirements)

1. Modernizar el CI/CD de despliegues en contenedores con una plataforma de gestión centralizada.
2. Conectividad híbrida segura y de alto rendimiento para la ingesta de datos (secure, high-performance hybrid connectivity).
3. Entornos Kubernetes escalables tanto on-premises como en la nube.
4. Optimizar el coste de almacenamiento ante volúmenes crecientes.
5. Detección de contenido dañino con IA (AI-powered detection of harmful content).
6. IA auditable y explicable (auditable and explainable AI).
7. LLMs e IA conversacional para experiencias personalizadas y viralidad del contenido.
8. Chatbots avanzados con comprensión del lenguaje natural.
9. Resumen automático para medios diversos (audio, vídeo, texto).

Análisis del arquitecto

Problemas a resolver

• Doble mundo Kubernetes: GKE en la nube y clústeres on-premises gestionados por separado. Hace falta una gestión de flota (fleet management) con configuración y políticas comunes.
• Operación reactiva: alertas por correo, mezcla de herramientas. Falta observabilidad unificada y alertas accionables.
• Coste de almacenamiento que crece sin control: un archivo multimedia tiene patrones de acceso muy desiguales (lo reciente se consulta mucho; el archivo histórico, casi nada).
• IA dispersa: hoy hay funciones que hacen recomendaciones y extracción de metadatos, pero no una plataforma de IA gobernada, auditable y con controles de seguridad.
• Ingesta on-premises: el contenido nuevo entra por sistemas locales; la conexión con Google Cloud debe ser privada, rápida y fiable.

Arquitectura propuesta

flowchart LR
  subgraph ONP["On-premises (ingesta y archivo)"]
    ING["Sistemas de ingesta"]
    K8SL["Clústeres Kubernetes locales (GDC software only)"]
  end
  ING -->|"Cloud Interconnect (o HA VPN)"| GCS
  K8SL -.->|"Fleet: Connect gateway, Config Sync, Policy Controller"| GKE
  subgraph GC["Google Cloud"]
    GCS["Cloud Storage (Autoclass / ciclo de vida)"]
    EVT["Eventarc"]
    FN["Cloud Run functions (transcodificación, metadatos)"]
    GEM["Gemini en Agent Platform (resumen, metadatos multimodales)"]
    API["Video Intelligence / Speech-to-Text / Vision"]
    MA["Model Armor (filtrado de prompts y respuestas)"]
    BQ["BigQuery (metadatos, consumo, tendencias)"]
    SRCH["Agent Search (RAG sobre el catálogo)"]
    BOT["Agente conversacional 24/7"]
    GKE["GKE (plataforma de contenidos)"]
    CICD["Cloud Build + Artifact Registry + Cloud Deploy"]
    OBS["Cloud Monitoring + Managed Prometheus + Cloud Logging"]
  end
  GCS --> EVT --> FN
  FN --> GEM
  FN --> API
  GEM --> BQ
  API --> BQ
  BQ --> SRCH
  SRCH --> BOT
  BOT --> MA
  BOT --> GKE
  CICD --> GKE
  CICD --> K8SL
  GKE --> OBS
  K8SL --> OBS

Justificación servicio a servicio

Kubernetes híbrido y CI/CD centralizado

• GKE con fleet management: las capacidades que antes se vendían como GKE Enterprise (flotas, Config Sync, Policy Controller, Connect gateway) aparecen hoy en la documentación como parte de GKE. Una fleet agrupa clústeres de la nube y on-premises para aplicar configuración y políticas de forma coherente. Responde a «centralized management platform» y «scalable, performant kubernetes environments both on-premises and in the cloud».
• Google Distributed Cloud (software only) para los clústeres on-premises: Kubernetes empresarial sobre servidores bare metal o VMware propios, registrado en la misma flota.
• Config Sync (GitOps): el estado deseado de todos los clústeres vive en un repositorio Git; reduce errores de configuración manual.
• Cloud Build + Artifact Registry + Cloud Deploy: construcción, almacenamiento de imágenes (con análisis de vulnerabilidades) y entrega progresiva (canary, aprobaciones) hacia GKE. Es la respuesta de manual a «modernize CI/CD for containerized deployments».

Conectividad híbrida

• Dedicated o Partner Interconnect para la ingesta de grandes ficheros de vídeo: ancho de banda alto y predecible, sin pasar por internet. HA VPN como alternativa de menor coste o como respaldo. Si el enunciado dice «cifrado en tránsito obligatorio sobre Interconnect», piensa en HA VPN sobre Cloud Interconnect o MACsec en Dedicated Interconnect.
• Para mover el archivo histórico existente: Storage Transfer Service (agentes on-premises) o Transfer Appliance si el volumen es enorme y la red no da abasto.

Almacenamiento y coste

• Cloud Storage con Autoclass: mueve cada objeto automáticamente entre clases (Standard, Nearline, Coldline, Archive) según el acceso, sin cargos de recuperación ni de borrado anticipado por esas transiciones. Encaja perfectamente con un catálogo multimedia de acceso impredecible.
• Alternativa si los patrones son conocidos: reglas de Object Lifecycle Management (por ejemplo, pasar a Archive el material bruto de más de un año).
• Ubicación dual-region o multi-region para el contenido que se sirve a la audiencia (disponibilidad), y Cloud CDN delante del origen para reducir latencia y coste de salida.

IA generativa y análisis del contenido

• Gemini en Gemini Enterprise Agent Platform (antes Vertex AI): modelos multimodales que aceptan audio, vídeo, imágenes y texto. Cubren resúmenes de piezas largas y extracción de metadatos (temas, personas, entidades, momentos destacados) con salida estructurada que se guarda en BigQuery.
• APIs preentrenadas cuando la tarea está bien acotada y se quiere un resultado determinista y barato: Video Intelligence API (detección de escenas, contenido explícito, etiquetas), Speech-to-Text (transcripción), Cloud Vision API (SafeSearch, etiquetas en imágenes) y Natural Language API (entidades, sentimiento).
• Detección de contenido dañino: combinación de la detección de contenido explícito de Video Intelligence / SafeSearch de Vision con clasificación por Gemini y filtros de seguridad del propio modelo. Para las interacciones con el chatbot, Model Armor filtra prompts y respuestas (inyección de prompts, contenido dañino, datos sensibles).
• Chatbot 24/7 y personalización: un agente conversacional construido con Agent Platform (Agent Development Kit y Agent Runtime, antes Agent Engine) o con las herramientas de agentes de cliente, fundamentado (grounding) en el catálogo mediante Agent Search (antes Vertex AI Search) para evitar alucinaciones. Las recomendaciones pueden apoyarse en Recommendations AI / recomendaciones de Agent Search.
• Auditable y explicable: Cloud Audit Logs de las llamadas a la API de Agent Platform, registro de prompts y respuestas (con Sensitive Data Protection si hay datos personales), Model Registry y evaluación de modelos (Agent Platform Evals) para versionar y medir, y Explainable AI para los modelos de ML clásicos (por ejemplo, el de recomendación o precios dinámicos).
• Tendencias e insights: BigQuery con los metadatos generados, BigQuery ML o funciones de IA generativa en BigQuery para clasificar y agrupar, y Looker para cuadros de mando de estrategia de contenidos.

Operación

• Google Cloud Managed Service for Prometheus: conserva las consultas PromQL y los exporters que ya usan, pero sin gestionar el almacenamiento de Prometheus; unifica métricas de GKE y on-premises en Cloud Monitoring.
• Alertas accionables: políticas de alerta basadas en SLO y canales como PagerDuty, Slack, Pub/Sub o SMS, no solo correo.
• Gemini Cloud Assist para ayudar en la investigación de incidencias y la optimización de costes.

Seguridad y cumplimiento

• Identidad: federar los IdP de terceros con Cloud Identity (SSO por SAML/OIDC) o Workforce Identity Federation; mínimo privilegio en IAM.
• Workload Identity Federation for GKE para que los pods llamen a Agent Platform y Cloud Storage sin claves de cuenta de servicio.
• VPC Service Controls alrededor de Cloud Storage, BigQuery y Agent Platform para evitar la exfiltración del catálogo y de los datos de usuarios.
• Binary Authorization para que solo se desplieguen imágenes firmadas desde el pipeline.
• Datos de usuario (comportamiento, demografía): Sensitive Data Protection para descubrir y desidentificar PII antes de usarla en modelos.

Migración

• Los sistemas on-premises de ingesta y archivo se migran en una ola posterior: primero conectividad y transferencia del archivo (Storage Transfer Service o Transfer Appliance), después se sustituye la ingesta local por un flujo nativo (subida directa a Cloud Storage → Eventarc → Cloud Run functions).
• Mientras tanto, los clústeres locales se integran en la flota para operar igual que los de la nube.

Costes y operaciones

• Almacenamiento: Autoclass o ciclo de vida, y revisar la clase de ubicación (dual-region solo para lo que se sirve).
• IA: elegir el modelo más pequeño que cumpla (por ejemplo, un modelo Flash frente a Pro para resúmenes masivos), usar inferencia por lotes (batch inference) para procesar el archivo histórico y caché de contexto cuando se reutiliza el mismo material.
• GKE: Autopilot o autoescalado de nodos, Spot VMs para transcodificación por lotes tolerante a fallos.
• Etiquetas (labels) por equipo y producto y exportación de facturación a BigQuery para FinOps.

Qué preguntaría el examen sobre este caso

Palabras clave del caso y a qué servicio apuntan