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
Introducción a AIOps con herramientas de código abierto
- Resumen de los conceptos y beneficios de AIOps
- Prometheus y Grafana en la pila de observabilidad
- El lugar del ML en AIOps: analítica predictiva vs. reactiva
Configuración de Prometheus y Grafana
- Instalación y configuración de Prometheus para la recopilación 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 ML
- Extracción y transformación de métricas de Prometheus
- Preparación de conjuntos de datos para la detección de anomalías y predicciones
- Uso de transformaciones de Grafana o pipelines en Python
Aplicación de aprendizaje automático para la detección de anomalías
- Modelos básicos de ML para la detección de valores atípicos (p. ej., Isolation Forest, One-Class SVM)
- Entrenamiento y evaluación de modelos en datos de series temporales
- Visualización de anomalías en tableros de Grafana
Predicción de métricas con ML
- Construcción de modelos de predicción simples (ARIMA, Prophet, introducción a LSTM)
- Predicción de la carga del sistema o el uso de recursos
- Uso de predicciones para alertas tempranas y decisiones de escalado
Integración de ML con alertas y automatización
- Definición de reglas de alerta basadas en la salida de ML o umbrales
- Uso de Alertmanager y enrutamiento de notificaciones
- Activación de scripts o flujos de trabajo de automatización ante la detección de anomalías
Escala y operacionalización de AIOps
- Integración con herramientas externas de observabilidad (p. ej., pila ELK, Moogsoft, Dynatrace)
- Operacionalización de modelos de ML en pipelines de observabilidad
- Mejores prácticas para AIOps a gran escala
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos de monitoreo de sistemas y observabilidad.
- Experiencia en el uso de Grafana o Prometheus.
- Conocimiento de Python y principios básicos de aprendizaje automático.
Audiencia
- Ingenieros de observabilidad.
- Equipos de infraestructura y DevOps.
- Arquitectos de plataformas de monitoreo e ingenieros de confiabilidad de sitios (SREs).