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
El ecosistema de observabilidad con IA
- De los cuadros de mando a las conversaciones: el cambio hacia una observabilidad aumentada por IA.
- Capacidades de LLM relevantes para la observabilidad: resumen, razonamiento y coincidencia de patrones.
- Patrones de arquitectura: integrar IA en pilas de observabilidad existentes.
Consultas 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.
- Construcción de un agente asistente de consultas con uso de herramientas y conciencia contextual.
Análisis de registros potenciado por LLM
- Análisis y estructuración automatizada de registros con LLM.
- Detección de anomalías en secuencias de registros mediante similitud de embeddings.
- Agrupación de registros y descubrimiento de patrones a gran escala.
- Generación de explicaciones legibles para humanos a partir de secuencias de registro en bruto.
Alertas inteligentes y enriquecimiento de incidentes
- Correlación y deduplicación de alertas con comprensión semántica.
- Recolección automática del contexto del incidente a partir de runbooks, incidentes anteriores y documentación.
- Enrutamiento inteligente de alertas basado en la comprensión del contenido y la experiencia del equipo.
- Reducción del ruido de alertas mediante IA para disminuir la fatiga por alertas.
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.
- Troubleshooting guiado con sesiones de diagnóstico interactivo con IA.
- Construcción de un agente de análisis de causa raíz con investigación progresiva.
Respuesta y comunicación automatizada ante incidentes
- Generación de resúmenes de incidentes y actualizaciones de estado a partir de telemetría.
- Elaboración automática de post-mortem con reconstrucción de la línea de tiempo.
- Comunicación con partes interesadas adaptada a audiencias técnicas y ejecutivas.
- Sugerencia de runbooks y recomendaciones de remediación automatizada.
Machine Learning para observabilidad
- Pronóstico de series temporales para planificación de capacidad y predicción de anomalías.
- Modelos fundamentales para la detección de anomalías sin entrenamiento (zero-shot) en métricas.
- Mapeo de dependencias de servicios y descubrimiento de topología basados en embeddings.
- Entrenamiento e implementación de modelos ligeros de ML junto a los pipelines de observabilidad.
Implementación en producción y ética
- Consideraciones de latencia y costo para la observabilidad con IA en tiempo real.
- Privacidad de datos: garantizar que los LLM no filtren telemetría sensible.
- Vigilancia humana: cuándo el diagnóstico por IA requiere validación por parte 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 conceptos de gestión de registros y métricas.
- Scripting básico en Python para el procesamiento de datos.
Público objetivo
- Ingenieros de SRE y observabilidad que adoptan herramientas mejoradas con IA.
- Ingenieros de plataforma que construyen pipelines de monitoreo de próxima generación.
- Líderes de DevOps que evalúan la integración de LLM en flujos de trabajo de incidentes.
14 Horas
