Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Diseño de una arquitectura de AIOps abierta
- Resumen de los componentes clave en las canalizaciones de AIOps abiertas
- Flujo de datos desde la ingesta hasta las alertas
- Comparación de herramientas y estrategia de integración
Recopilación y agregación de datos
- Ingesta de datos de series temporales con Prometheus
- Captura de registros con Logstash y Beats
- Normalización de datos para la correlación entre fuentes
Creación de paneles de observabilidad
- Visualización de métricas con Grafana
- Creación de paneles de Kibana para el 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 canalizaciones de Python
- Entrenamiento de modelos de ML para la detección de valores atípicos y la predicción
- Implementación de modelos para inferencia en vivo en la canalización de observabilidad
Alertas y automatización con herramientas abiertas
- Creación de reglas de alerta de Prometheus y enrutamiento de Alertmanager
- Disparación de scripts o flujos de trabajo de API para la respuesta automática
- Uso de herramientas de orquestación de código abierto (p. ej., Ansible, Rundeck)
Consideraciones de integración y escalabilidad
- Gestión de la ingesta de alto volumen y la retención a largo plazo
- Seguridad y control de acceso en pilas de código abierto
- Escalado independiente de cada capa: ingesta, procesamiento, alertas
Aplicaciones del mundo real y extensiones
- Estudios de caso: ajuste de rendimiento, prevención de caídas y optimización de costos
- Extensión de canalizaciones con herramientas de trazado o grafos de servicios
- Buenas prácticas para ejecutar y mantener AIOps en producción
Resumen y siguientes pasos
Requerimientos
- Experiencia con herramientas de observabilidad como Prometheus o ELK
- Conocimiento práctico de Python y fundamentos del aprendizaje automático
- Comprensión de las operaciones de TI y los flujos de trabajo de alertas
Audiencia
- Ingenieros de confiabilidad de sitio avanzados (SRE)
- Ingenieros de datos que trabajan en operaciones
- Líderes de plataformas DevOps y arquitectos de infraestructura