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.
Duración 14 horas
Temario del curso
Diseño de una arquitectura abierta de AIOps
- Vista general de los componentes clave en las pipelines de AIOps abiertas.
- Flujo de datos desde la ingesta hasta la alerta.
- Comparación de herramientas y estrategia de integración.
Recopilación y agregación de datos
- Ingesta de datos de series temporales con Prometheus.
- Captura de registros con Logstash y Beats.
- Normalización de datos para la correlación entre fuentes.
Creación de paneles de observabilidad
- Visualización de métricas con Grafana.
- Creación de paneles en 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 la detección de valores atípicos y pronósticos.
- Implementación de modelos para inferencia en vivo en la pipeline de observabilidad.
Alertas y automatización con herramientas abiertas
- 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 (p. ej., Ansible, Rundeck).
Consideraciones de integración y escalabilidad
- Gestión de la ingesta de alto volumen y la retención a largo plazo.
- Seguridad y control de acceso en las pilas de código abierto.
- Escala de cada capa de forma independiente: ingesta, procesamiento, alerta.
Aplicaciones y extensiones del mundo real
- Casos de estudio: ajuste de rendimiento, prevención de caídas y optimización de costos.
- Extensión de pipelines con herramientas de trazas o grafos 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 aprendizaje automático.
- Comprensión de las operaciones de TI y los flujos de trabajo de alertas.
Público objetivo
- Ingenieros de fiabilidad de sitio (SRE) de nivel avanzado.
- Ingenieros de datos que trabajan en operaciones.
- Líderes de plataformas DevOps y arquitectos de infraestructura.