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 al AIOps Predictivo
- Panorama general del análisis predictivo en operaciones TI
- Fuentes de datos para la predicción (registros, métricas, eventos)
- Conceptos clave en pronósticos de series temporales y patrones de anomalías
Diseño de modelos de predicción de incidentes
- Etiquetado de incidentes históricos y comportamiento del sistema
- Selección y entrenamiento de modelos (por ejemplo, LSTM, Random Forest, AutoML)
- Evaluación del rendimiento del modelo y manejo de falsos positivos
Recopilación de datos e ingeniería de características
- Ingesta y alineación de datos de registros y métricas para la entrada del modelo
- Extracción de características a partir de datos estructurados y no estructurados
- Manejo de ruido y datos faltantes en los flujos operativos
Automatización del Análisis de Causa Raíz (RCA)
- Correlación basada en grafos de servicios e infraestructura
- Uso de ML para inferir causas raíz probables a partir de cadenas de eventos
- Visualización del RCA mediante paneles conscientes de la topología
Remediación y automatización de flujos de trabajo
- Integración con plataformas de automatización (por ejemplo, Ansible, Rundeck)
- Ejecución de reversiones, reinicios o redirección de tráfico
- Auditoría y documentación de intervenciones automatizadas
Escalamiento de flujos de trabajo AIOps inteligentes
- MLOps para observabilidad: reentrenamiento y versionado de modelos
- Ejecución de predicciones en tiempo real a través de nodos distribuidos
- Mejores prácticas para implementar AIOps en entornos de producción
Estudios de caso y aplicaciones prácticas
- Análisis de datos reales de incidentes utilizando modelos AIOps predictivos
- Implementación de flujos de trabajo RCA con datos sintéticos y de producción
- Revisión de casos de uso en la industria: interrupciones en la nube, inestabilidad de microservicios, degradaciones de red
Resumen y próximos pasos
Requerimientos
- Experiencia con sistemas de monitoreo como Prometheus o ELK
- Conocimiento práctico de Python y conceptos básicos de aprendizaje automático
- Familiaridad con flujos de trabajo de gestión de incidentes
Público objetivo
- Ingenieros Senior de Confiabilidad del Sitio (SRE)
- Arquitectos de automatización TI
- Líderes de plataformas DevOps y observabilidad
14 Horas
