Contacta con nosotros

Temario del curso

Diseño de una Arquitectura de AIOps Abierta

  • Descripción general de los componentes clave en pipelines de AIOps de código abierto
  • Flujo de datos desde la ingestión hasta el alertado
  • Comparación de herramientas y estrategia de integración

Recopilación y Agregación de Datos

  • Ingestión de datos de series temporales con Prometheus
  • Captura de registros con Logstash y Beats
  • Normalización de datos para la correlación entre múltiples fuentes

Construcción de Paneles de Observabilidad

  • Visualización de métricas con Grafana
  • Creación de paneles de Kibana para análisis de registros
  • Uso de consultas de Elasticsearch para extraer información operativa

Detección de Anomalías y Predicción de Incidentes

  • Exportación de datos de observabilidad a pipelines de Python
  • Entrenamiento de modelos de ML para detección de valores atípicos y pronóstico
  • Implementación de modelos para inferencia en vivo dentro del pipeline de observabilidad

Alertado y Automatización con Herramientas de Código Abierto

  • Creación de reglas de alerta de Prometheus y enrutamiento de Alertmanager
  • Activación de scripts o flujos de trabajo de API para respuesta automática
  • Uso de herramientas de orquestación de código abierto (por ejemplo, Ansible, Rundeck)

Consideraciones de Integración y Escalabilidad

  • Manejo de ingestión a alto volumen y retención a largo plazo
  • Seguridad y control de acceso en pilas de código abierto
  • Escalado independiente de cada capa: ingestión, procesamiento y alertado

Aplicaciones del Mundo Real y Extensiones

  • Estudios de caso: ajuste de rendimiento, prevención de tiempos de inactividad y optimización de costos
  • Extensión de pipelines con herramientas de trazado o gráficos de servicios
  • Mejores prácticas para ejecutar y mantener AIOps en producción

Resumen y Siguientes Pasos

Requerimientos

  • Experiencia con herramientas de observabilidad como Prometheus o ELK
  • Conocimientos prácticos de Python y fundamentos de aprendizaje automático (ML)
  • Comprensión de las operaciones de TI y los flujos de trabajo de alertado

Audiencia

  • Ingenieros avanzados de confiabilidad del sitio (SRE)
  • Ingenieros de datos que trabajan en operaciones
  • Líderes de plataformas DevOps y arquitectos de infraestructura
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas