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
Diseñando una Arquitectura de AIOps Abierta
- Descripción general de los componentes clave en pipelines de AIOps open source.
- Flujo de datos desde la ingesta hasta las alertas.
- Comparación de herramientas y estrategia de integración.
Recopilación y Agregación de Datos
- Ingesta de datos series temporales con Prometheus.
- Captura de logs con Logstash y Beats.
- Normalización de datos para la correlación entre fuentes.
Construcción de Dashboards de Observabilidad
- Visualización de métricas con Grafana.
- Creación de dashboards en Kibana para análisis de logs.
- Uso de consultas de Elasticsearch para extraer información operativa.
Detección de Anomalías y Predicción de Incidentes
- Exportación de datos de observabilidad a pipelines en Python.
- Entrenamiento de modelos de ML para detección de valores atípicos y pronóstico.
- Despliegue de modelos para inferencia en vivo dentro de la pipeline de observabilidad.
Alertas y Automatización con Herramientas Open Source
- Creación de reglas de alerta en Prometheus y configuración de enrutamiento en Alertmanager.
- Disparo de scripts o flujos de trabajo API para respuestas automáticas.
- Uso de herramientas open source de orquestación (por ejemplo, Ansible, Rundeck).
Consideraciones de Integración y Escalabilidad
- Manejo de ingestas de alto volumen y retención a largo plazo.
- Seguridad y control de acceso en pilas open source.
- Escalamiento independiente de cada capa: ingesta, procesamiento y alertas.
Aplicaciones del Mundo Real y Extensiones
- Estudios de caso: optimización del rendimiento, prevención de tiempos de inactividad y optimización de costos.
- Extensión de pipelines con herramientas de trazabilidad o gráficos de servicios.
- Mejores prácticas para ejecutar y mantener AIOps en producción.
Resumen y Próximos Pasos
Requerimientos
- Experiencia con herramientas de observabilidad como Prometheus o ELK.
- Conocimientos prácticos de Python y fundamentos de Machine Learning (ML).
- Comprensión de las operaciones de TI y flujos de trabajo de alertas.
Audiencia Objetivo
- Ingenieros avanzados de confiabilidad del sitio (SREs).
- Ingenieros de datos que trabajan en operaciones.
- Líderes de plataformas DevOps y arquitectos de infraestructura.
14 Horas
