Preguntas frecuentes

Principalmente por dos razones. Primero, el motor de recomendaciones es un motor de reglas determinista, no un modelo adivinando sobre tu log: lee métricas estructuradas (tiempos, cantidad de filas, uso de memoria) y aplica heurísticas probadas y cubiertas por tests (como el tamaño objetivo de una shuffle partition, o qué distingue realmente un riesgo real de OOM de una configuración simplemente conservadora). La misma entrada siempre produce la misma recomendación, con el mismo razonamiento, cada vez. Un agente de IA genérico al que le pasas un Spark event log crudo o un run_results.json primero tiene que parsear correctamente un formato genuinamente complicado, y luego razonar sobre él sin alucinar un umbral que suena plausible pero es incorrecto — un fallo bien conocido cuando le pides a un modelo que "simplemente mire esto y te diga qué está mal".

Segundo, privacidad: opti-pipe solo lee métricas numéricas de tu archivo — nunca tu SQL, nombres de modelos, código de DataFrame o rutas de archivos (ver la siguiente pregunta). Pegar un log crudo en un chatbot genérico expone todo eso al modelo.

También hay una segunda opinión opcional, "Ask AI", por encima del motor de reglas, para cuando quieras una verificación de sentido común sobre una recomendación específica — pero es una segunda opinión, no la base, y el motor determinista funciona igual con o sin ella.

Es un botón opcional junto a una recomendación que pregunta "¿esta recomendación del motor determinista realmente tiene sentido dado el contexto más completo de mi archivo?" — una segunda opinión de un modelo, a pedido, no un requisito para usar opti-pipe. El motor de reglas encima sigue siendo gratuito, determinista y con tests completos de cualquier forma.

Esas resuelven un problema más amplio (monitoreo continuo, alertas, dashboards en todo tu stack) y cuestan en consecuencia. opti-pipe es más específico a propósito: subís un artefacto real que tu pipeline ya produjo, recibís recomendaciones de configuración concretas y aprobables antes de aplicarse. Sin agente que instalar, sin plataforma que correr, nada que seguir pagando solo para mirar un gráfico.

No. Toda recomendación requiere aprobación antes de aplicarse — opti-pipe te dice qué encontró y qué cambiaría, con el razonamiento detrás, y vos decidís. Nada toca tu configuración real de Spark, dbt o Flink por sí solo.

Los datos de tu pipeline que subís se anonimizan por diseño — solo se leen métricas numéricas de tu archivo (tiempos, cantidad de filas, cifras de memoria y similares). Tu SQL, nombres de modelos, código de DataFrame y rutas de archivos nunca se leen, almacenan ni envían a ningún lado, incluida la función opcional "Ask AI".

No. Subí tu propio archivo (o explorá los datos de muestra en vivo) y obtenés una recomendación real y completa por pipeline, gratis, sin necesidad de registrarte. Una cuenta desbloquea todas las recomendaciones de ese pipeline, no solo la primera.

Sí, por ahora — opti-pipe está en acceso anticipado y es gratis, sin tarjeta requerida, sin cargos. Los planes pagos llegarán cuando la facturación esté completamente activada; nada de tu cuenta cambia automáticamente cuando eso pase, y los usuarios de acceso anticipado se van a enterar directamente antes de que se cobre nada.

No. Registrarte hoy no recolecta ninguna tarjeta ni inicia ninguna relación de facturación — simplemente no hay nada sobre lo que cobrar. Si en algún momento se lanzan planes pagos, va a ser un opt-in claro y separado, no algo que le pase silenciosamente a una cuenta existente.

Un Spark event log, el target/run_results.json de dbt, o una exportación de métricas de Flink desde su API REST — un artefacto real que tu propia ejecución ya produjo, no algo que completás a mano. Mirá la guía de carga para saber exactamente dónde encontrar cada uno.

Sí — el dashboard tiene pipelines de muestra en vivo que podés explorar sin ninguna configuración, para ver cómo es una recomendación real antes de tocar tus propios archivos.