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 el ecosistema de observabilidad
- El papel del aprendizaje automático en AIOps: análisis predictivo frente a reactivo
Configuración de Prometheus y Grafana
- Instalación y configuración de Prometheus para la recolección de series temporales
- Creación de tableros 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 la predicción
- 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, Bosques de aislamiento, SVM uniclase)
- Entrenamiento y evaluación de modelos en datos de series temporales
- Visualización de anomalías en tableros de Grafana
Predicción de métricas con aprendizaje automático
- Construcción de modelos simples de predicción (introducción a ARIMA, Prophet y LSTM)
- Predicción de la carga del sistema o el uso de recursos
- Uso de las predicciones para alertas tempranas y decisiones de escalado
Integración del aprendizaje automático con alertas y automatización
- Definición de reglas de alerta basadas en salidas de aprendizaje automático o umbrales
- Uso de Alertmanager y enrutamiento de notificaciones
- Activación de scripts o flujos de trabajo de automatización al detectar anomalías
Escalado y puesta en operación de AIOps
- Integración de herramientas externas de observabilidad (por ejemplo, ELK stack, Moogsoft, Dynatrace)
- Puesta en operación de modelos de aprendizaje automático en pipelines de observabilidad
- Mejores prácticas para AIOps a escala
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos de monitoreo de sistemas y observabilidad
- 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 fiabilidad del sitio (SRE)
14 Horas
