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
- \r
- Visión general del análisis predictivo en operaciones de TI.
- Fuentes de datos para la predicción (registros, métricas, eventos).
- Conceptos clave en la previsión de series temporales y patrones de anomalías.
Diseño de modelos de predicción de incidentes
- Clasificación histórica de incidentes 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.
Recolección 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 la causa raíz (RCA)
- Correlación basada en grafos de servicios e infraestructura.
- Uso de aprendizaje automático para inferir causas raíz probables a partir de cadenas de eventos.
- Visualización del RCA mediante paneles conscientes de la topología.
Corrección y automatización de flujos de trabajo
- Integración con plataformas de automatización (por ejemplo, Ansible, Rundeck).
- Activación de reversiones, reinicios o redirección del tráfico.
- Auditoría y documentación de intervenciones automatizadas.
Escalamiento de flujos de trabajo AIOps inteligentes
- MLOps para observabilidad: reentrenamiento y versión de modelos.
- Ejecución de predicciones en tiempo real a través de nodos distribuidos.
- Mejores prácticas para desplegar AIOps en entornos de producción.
Estudios de caso y aplicaciones prácticas
- Análisis de datos reales de incidentes utilizando modelos AIOps predictivos.
- Despliegue de flujos de trabajo de RCA con datos sintéticos y de producción.
- Revisión de casos de uso en la industria: interrupciones en la nube, inestabilidad en microservicios y degradación de la red.
Resumen y próximos pasos
Requerimientos
- Experiencia con sistemas de monitoreo como Prometheus o ELK.
- Conocimientos prácticos de Python y fundamentos de aprendizaje automático.
- Familiaridad con flujos de trabajo de gestión de incidentes.
Público objetivo
- Ingenieros senior de confiabilidad del sitio (SRE).
- Arquitectos de automatización de TI.
- Líderes de plataformas DevOps y observabilidad.
14 Horas
