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
Diseño de una arquitectura AIOps abierta
- Descripción general de los componentes clave en las canalizaciones AIOps de código abierto
- Flujo de datos desde la ingestión hasta la generación de alertas
- Comparación de herramientas y estrategia de integración
Recopilación y agregación de datos
- Ingestión de datos de series temporales con Prometheus
- Captura de registros con Logstash y Beats
- Normalización de datos para la correlación cruzada de fuentes múltiples
Construcción de paneles de observabilidad
- Visualización de métricas con Grafana
- Creación de paneles de Kibana para análisis de registros
- Utilización de consultas de Elasticsearch para extraer información operativa
Detección de anomalías y predicción de incidentes
- Exportación de datos de observabilidad a canalizaciones en Python
- Entrenamiento de modelos de ML para la detección de valores atípicos y pronósticos
- Implementación de modelos para inferencia en tiempo real dentro de la canalización 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 respuestas automáticas
- Utilización de herramientas de orquestación de código abierto (por ejemplo, Ansible, Rundeck)
Consideraciones de integración y escalabilidad
- Gestión de ingestión de alto volumen y retención a largo plazo
- Seguridad y control de acceso en pilas de código abierto
- Escalado independiente de cada capa: ingestión, procesamiento y alertas
Aplicaciones reales y extensiones
- Estudios de caso: optimización del rendimiento, prevención de tiempo de inactividad y optimización de costos
- Extensión de las canalizaciones con herramientas de rastreo o gráficos de servicios
- Mejores prácticas para el despliegue y mantenimiento de AIOps en entornos productivos
Resumen y próximos pasos
Requerimientos
- Experiencia con herramientas de observabilidad como Prometheus o ELK
- Conocimientos funcionales de Python y fundamentos del aprendizaje automático (ML)
- Comprensión de los flujos de trabajo de operaciones de TI y sistemas de alertas
Público objetivo
- Ingenieros avanzados de fiabilidad del sitio (SREs)
- Ingenieros de datos que trabajan en operaciones
- Líderes de plataformas DevOps y arquitectos de infraestructura
14 Horas