Una empresa ejecuta una variedad de cargas de trabajo en AWS y desea recibir notificaciones cuando su gasto mensual se comporte de manera inusual en comparación con patrones anteriores. Quieren un servicio administrado que utilice machine learning para detectar anomalías de costos y proporcione un análisis de causa raíz. ¿Qué servicio o característica de AWS deben usar?
Elige la mejor respuesta.
Respuesta correcta
AWS Cost Anomaly Detection es un servicio administrado que aprovecha el machine learning para monitorear continuamente sus patrones de costos y uso, detectar anomalías y proporcionar un análisis de causa raíz. Establece automáticamente una línea base a partir de los datos de gastos históricos y le alerta cuando el gasto real se desvía de los patrones esperados, lo que lo convierte en la opción correcta para este caso de uso.
AWS Budgets
AWS Budgets es una herramienta de asesoramiento que le permite establecer un monto específico de costo o uso que usted defina, como un presupuesto agregado mensual o un presupuesto etiquetado por servicio. Activa notificaciones cuando el gasto real o pronosticado alcanza los umbrales que usted elige manualmente, pero no puede detectar de forma autónoma patrones de gasto inusualmente altos porque no analiza datos de costos históricos en busca de desviaciones estadísticas. Dado que el umbral es fijo y la lógica de alertas es estática, no está diseñado para notar si su comportamiento se ha desviado de su propia línea base establecida; solo verifica en comparación con el número que usted estableció.
AWS Cost Anomaly Detection
AWS Cost Anomaly Detection aplica clasificadores de machine learning a sus datos históricos de uso y costos de AWS para detectar desviaciones de patrones como picos en el gasto de cómputo, crecimiento de almacenamiento u otro uso inesperado en servicios, cuentas o etiquetas de asignación de costos. Cuando se confirma un grupo de anomalías, presenta un análisis de causa raíz con los impulsores sospechosos (por ejemplo, un recurso recién creado o un cambio en la región) y envía alertas procesables a través de Amazon EventBridge y Amazon SNS. Su lógica de detección es adaptable y no requiere umbrales preestablecidos, por lo que aprende continuamente de su historial de gastos real y detecta anomalías que de otro modo eludirían los límites estáticos de los presupuestos.
AWS Cost Explorer
AWS Cost Explorer es una interfaz de estilo de inteligencia empresarial que grafica el historial de costos y uso en gráficos, pronostica gastos futuros utilizando un análisis de tendencias simple y le permite filtrar a dimensiones a nivel de recursos como un servicio específico o una etiqueta de asignación de costos. Permite análisis detallados ad-hoc y reportes programados, pero es intrínsecamente una herramienta reactiva: alguien debe notar una anomalía, abrir el panel y comenzar a revisar los elementos visuales. La detección de anomalías, por el contrario, supervisa automáticamente los mismos datos de costos subyacentes y envía una alerta coherente con una causa raíz generada, por lo que Cost Explorer en sí mismo no está diseñado para identificar e investigar anomalías en su nombre en tiempo real.
AWS Trusted Advisor
AWS Trusted Advisor realiza una inspección automatizada del sistema contra un conjunto de comprobaciones de mejores prácticas que cubren la optimización de costos; por ejemplo, señala instancias EC2 subutilizadas, instancias RDS inactivas o Elastic IPs no asociadas que se pueden reducir o eliminar. Estas comprobaciones se basan en reglas estáticas y umbrales estándar, como una tasa de utilización de CPU baja, y comparan la configuración actual de los recursos con esas reglas en lugar de hacerlo con su propia serie temporal de gastos. Por lo tanto, puede ayudarlo a recortar costos mediante el ajuste de tamaño y la limpieza de recursos, pero su motor de comprobaciones es fundamentalmente diferente de un detector de anomalías de machine learning que ve cuándo algo en su factura ha cambiado de manera inesperada.
AWS Cost Anomaly Detection está construido sobre la infraestructura interna de inteligencia de costos de Amazon. Ingresa sus datos de costos y uso (por ejemplo, desde Cost and Usage Reports en Amazon S3 o a través de la API de Cost Explorer) y utiliza machine learning para crear una línea base de costos esperados a lo largo de diferentes dimensiones como servicio, cuenta miembro, etiqueta de asignación de costos y AWS Region. Cuando los costos reales se desvían de ese intervalo esperado, evalúa la significancia estadística de la desviación y agrupa las anomalías relacionadas en un "grupo de anomalías" lógico para reducir el ruido de las alertas. Luego, el servicio genera un análisis de causa raíz en lenguaje claro, como "nueva AWS Region activada" o "pico en el uso de CloudWatch para la cuenta X", y publica eventos en Amazon EventBridge, lo que permite respuestas automatizadas como invocar una función de AWS Lambda o ejecutar una automatización de Systems Manager. Un concepto erróneo común es que la detección de anomalías reemplaza a AWS Budgets o Trusted Advisor; en la práctica son complementarios: Budgets aplica límites estrictos, Trusted Advisor corrige ineficiencias conocidas, mientras que la detección de anomalías captura aquello para lo que no sabía que debía configurar un umbral. Sin embargo, no es en tiempo real: requiere suficientes datos históricos y normalmente detecta anomalías después de que se finaliza el libro diario del día, por lo que se utiliza mejor como un control detective en lugar de preventivo.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de CLF-C02 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.