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.
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