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
Introducción a AIOps con herramientas de código abierto.
- Panorama general de los conceptos y beneficios de AIOps.
- Prometheus y Grafana en la pila de observabilidad.
- El lugar del aprendizaje automático en AIOps: análisis predictivo frente a reactivo.
Configuración de Prometheus y Grafana.
- Instalación y configuración de Prometheus para la recopilación de series temporales.
- Creación de dashboards en Grafana utilizando métricas en tiempo real.
- Exploración de exportadores, reetiquetado y descubrimiento de servicios.
Preprocesamiento de datos para aprendizaje automático.
- Extracción y transformación de métricas de Prometheus.
- Preparación de conjuntos de datos para la detección de anomalías y previsión.
- Uso de las transformaciones de Grafana o pipelines en Python.
Aplicación del aprendizaje automático para la detección de anomalías.
- Modelos básicos de aprendizaje automático para la detección de valores atípicos (por ejemplo, Isolation Forest, One-Class SVM).
- Entrenamiento y evaluación de modelos en datos de series temporales.
- Visualización de anomalías en dashboards de Grafana.
Previsión de métricas con aprendizaje automático.
- Construcción de modelos simples de previsión (ARIMA, Prophet, introducción a LSTM).
- Predicción de carga del sistema o uso de recursos.
- Uso de las previsiones para alertas tempranas y decisiones de escalado.
Integración del aprendizaje automático con alertas y automatización.
- Definición de reglas de alerta basadas en la salida o umbrales del modelo de aprendizaje automático.
- Uso de Alertmanager y enrutamiento de notificaciones.
- Activación de scripts o flujos de trabajo de automatización al detectar anomalías.
Escalado y operacionalización de AIOps.
- Integración de herramientas externas de observabilidad (por ejemplo, ELK stack, Moogsoft, Dynatrace).
- Puesta en producción de modelos de aprendizaje automático en pipelines de observabilidad.
- Mejores prácticas para AIOps a gran escala.
Resumen y próximos pasos.
Requerimientos
- Comprensión de los conceptos de monitoreo y observabilidad de sistemas.
- Experiencia utilizando Grafana o Prometheus.
- Familiaridad con Python y principios básicos de aprendizaje automático.
Público objetivo
- Ingenieros de observabilidad.
- Equipos de infraestructura y DevOps.
- Arquitectos de plataformas de monitoreo e ingenieros de confiabilidad del sitio (SREs).
14 Horas
