Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Prácticas de etiquetado que se deben evitar
Si bien hay prácticas que se deben implementar a la hora de etiquetar objetos o infraestructuras en AWS, también hay prácticas que se deben evitar.
## Etiquetado incoherente
Como se explica en la sección [Objetivos](objectives.md), sin el etiquetado no se puede lograr un alto nivel de automatización, limpieza ni supervisión. Del mismo modo, en el caso de etiquetas incompletas o incoherentes, la información necesaria para la automatización o la supervisión no es completa, lo que conduce a resultados poco fiables.
Imagine una situación en la que utilice una estrategia de etiquetado para calcular los costos totales de todos los proyectos. La estrategia comienza en la fase de prueba de concepto (PoC) y termina en la fase de producción. Considere las siguientes situaciones con etiquetas aplicadas a los datos y recursos para los ejemplos P1, D1 y Pr1 del proyecto Previsión de ventas y para los ejemplos P2, D2 y Pr2 del proyecto Mantenimiento posventa.
**Previsión de ventas**
Ejemplo P1: proyecto de PoC (faltan el dominio y la marca de tiempo).
```
env: "poc"
project: "sales forecasting"
```
Ejemplo D1: fase de desarrollo (falta el dominio).
```
env: "dev"
project: "sales forecasting"
timestamp: 20210505T12:34:55
```
Ejemplo Pr1: fase de producción (existen todos los valores).
```
env: "prod"
project: "sales forecasting"
domain: "machine learning"
timestamp: 20210505T12:34:55
```
Para el proyecto Previsión de ventas:
+ En el ejemplo P1 no se menciona de qué dominio o marca de tiempo proviene el objeto.
+ En el ejemplo D1 tampoco se menciona el dominio del proyecto.
+ El ejemplo Pr1 tiene todos los datos necesarios.
Los ejemplos P1 y D1 darán lugar a informes o estimaciones de planificación incorrectos porque los dominios no están definidos.
**Mantenimiento posventa**
Ejemplo P2: proyecto de PoC (faltan todas las etiquetas).
Ejemplo D2: fase de desarrollo (falta el proyecto).
```
env: "dev"
domain: "machine learning"
timestamp: 20210505T12:34:55
```
Ejemplo Pr2: fase de producción (existen todos los valores).
```
env: "prod"
project: "post sales maintenance"
domain: "machine learning"
timestamp: 20210505T12:34:55
```
Para el proyecto Mantenimiento posventa:
+ El ejemplo P2 no tiene ninguna información, por lo que no se puede hacer un seguimiento.
+ En el ejemplo D2 no se menciona el nombre del proyecto, por lo que no se puede hacer un seguimiento.
+ El ejemplo Pr2 tiene todos los datos necesarios.
Los ejemplos P2 y D2 darán lugar a informes incorrectos, una planificación insuficiente o una notificación insuficiente debido a la falta de etiquetas o a la incoherencia de las etiquetas.
Por lo tanto, es importante implementar la estrategia de etiquetado de forma coherente.
## Información confidencial e incorrecta en las etiquetas
El etiquetado puede ser contraproducente si se utiliza con información incorrecta, confidencial o privada. Las etiquetas incorrectas pueden producir resultados engañosos. El uso de etiquetas que incluyan información confidencial, como información de identificación personal (PII), puede poner en riesgo la seguridad de sus clientes y empleados.
**Información incorrecta en las etiquetas**
Imagine una situación en la que utilice una estrategia de etiquetado para calcular los costos totales de cada dominio o departamento. Acaba de terminar la fase de ingesta de datos y está avanzando hacia el machine learning. En el siguiente ejemplo se incluyen etiquetas personalizadas que se han copiado de la fase anterior de un proyecto.
```
env: "development"
project: "sales prediction"
domain: "data ingestion"
timestamp: 20210505T12:34:55
```
El dominio se etiqueta incorrectamente como `data ingestion` a partir de la fase anterior del proyecto, en lugar del dominio correcto, que es `machine learning`. Ahora, en los informes del dominio `data ingestion` se mostrarán los costos, el intervalo de tiempo y la asignación de recursos más altos. En el dominio `machine learning` se mostrarán valores más bajos para esos informes. Esto provocará una planificación, una asignación presupuestaria y una estimación de los plazos incorrectas.
Tener las etiquetas correctas es esencial para que un sistema funcione.
**Información confidencial en las etiquetas**
AWS proporciona varias herramientas para identificar la PII en los objetos. Entre estas herramientas se incluyen [Amazon Macie](https://docs.aws.amazon.com/macie/latest/user/what-is-macie.html) y la [detección de información confidencial de AWS Glue](https://docs.aws.amazon.com/glue/latest/ug/detect-PII.html) para encontrar datos que puedan usarse para identificar a las personas. Sin embargo, es importante no utilizar PII ni información confidencial en las etiquetas.
Considere el siguiente ejemplo de un archivo en Amazon S3 en el que la PII se suprimió o anonimizó.
```
{
firstName: "67A1790DCA55B8803AD024EE28F616A2",
lastName: "DRG54654DFHJGDYYRD",
age: 21,
city : "Frankfurt",
probability_of_purchase: 48.858093,
veggieName: "broccoli",
creditcard: false
}
```
Puede ver que se codificaron con hash el nombre y los apellidos del cliente. Sin embargo, en este ejemplo, el registro tiene las siguientes etiquetas personalizadas.
```
owner: "Company XYZ"
about: "John Doe"
contact: "johnthegreat@email.com"
timestamp: 20210505T12:34:55
```
En este caso, aunque el archivo en sí no contiene PII, las etiquetas sí contienen información confidencial. Esto aumenta la probabilidad de que se filtre información, ya que cuando se comparte o transfiere un archivo u objeto, también se comparten o transfieren sus metadatos. Esto también se aplica a otros recursos de AWS, como una base de datos, tablas, trabajos y funciones.
Por lo tanto, es extremadamente importante evitar el uso de información privada en las etiquetas. El mismo concepto se extrapola a la información crucial o no pública.