Ponte en Contacto

Temario del curso

El panorama de la observabilidad con IA

  • De paneles de control a conversaciones: el cambio hacia una observabilidad aumentada por IA.
  • Capacidades de LLM relevantes para observabilidad: resumen, razonamiento y coincidencia de patrones.
  • Patrones de arquitectura: integrar IA en las pilas de observabilidad existentes.

Consulta de telemetría en lenguaje natural

  • Texto a PromQL: traducir lenguaje natural a consultas de monitoreo.
  • Consultas en NL para almacenes de registros de Elasticsearch, OpenSearch y Loki.
  • Generación de SQL a partir de lenguaje natural para telemetría estructurada.
  • Creación de un agente asistente de consultas con uso de herramientas y conciencia contextual.

Análisis de registros potenciado por LLM

  • Parseo y estructuración automatizada de registros con LLM.
  • Detección de anomalías en flujos de registros mediante similitud de incrustaciones (embeddings).
  • Agrupación de registros y descubrimiento de patrones a escala.
  • Generación de explicaciones legibles por humanos a partir de secuencias de registros crudas.

Alertas inteligentes y enriquecimiento de incidentes

  • Correlación y deduplicación de alertas con comprensión semántica.
  • Recolección automatizada de contexto de incidentes a partir de runbooks, incidentes anteriores y documentación.
  • Ruteo inteligente de alertas basado en la comprensión del contenido y la experiencia del equipo.
  • Reducción de la fatiga de alertas mediante la reducción de ruido impulsada por IA.

Análisis de causa raíz asistido por IA

  • Generación de hipótesis a partir de la correlación de telemetría multifuente.
  • Cadena de evidencias: conectar síntomas entre métricas, registros y trazas.
  • Solución guiada de problemas con sesiones interactivas de diagnóstico por IA.
  • Creación de un agente de análisis de causa raíz con investigación progresiva.

Respuesta automatizada a incidentes y comunicación

  • Generación de resúmenes de incidentes y actualizaciones de estado a partir de datos telemétricos.
  • Elaboración automatizada de post-mortem con reconstrucción de la línea de tiempo.
  • Comunicación con grupos de interés adaptada a audiencias técnicas y ejecutivas.
  • Sugerencia de runbooks y recomendaciones de remediación automatizada.

ML para observabilidad

  • Pronóstico de series temporales para planificación de capacidad y predicción de anomalías.
  • Modelos fundamentales para detección de anomalías sin entrenamiento previo (zero-shot) en métricas.
  • Mapeo de dependencias de servicios y descubrimiento de topología basado en incrustaciones (embeddings).
  • Entrenamiento e implementación de modelos ligeros de ML junto a las canalizaciones de observabilidad.

Implementación en producción y ética

  • Consideraciones de latencia y costos para la observabilidad con IA en tiempo real.
  • Privacidad de los datos: asegurar que los LLM no filtren telemetría sensible.
  • Vigilancia humana: cuándo el diagnóstico por IA requiere validación del operador.
  • Medición del impacto: MTTD, MTTR y métricas de la experiencia de guardia (on-call).

Requerimientos

  • Experiencia con herramientas de observabilidad como Prometheus, Grafana, Datadog u OpenTelemetry.
  • Conocimiento de los conceptos de gestión de registros y métricas.
  • Conocimientos básicos de scripting en Python para procesamiento de datos.

Público objetivo

  • Ingenieros de SRE y observabilidad que adoptan herramientas mejoradas con IA.
  • Ingenieros de plataforma que desarrollan canalizaciones de monitoreo de nueva generación.
  • Líderes de DevOps que evalúan la integración de LLM en flujos de trabajo de incidentes.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas