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 AIOps abierta
- Resumen de los componentes clave en pipelines de AIOps abiertos.
- Flujo de datos desde la ingesta hasta las alertas.
- 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.
Construcción de paneles de observabilidad
- Visualización de métricas con Grafana.
- Creación de paneles de 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 el pronóstico.
- 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 pilas de código abierto.
- Escala independiente de cada capa: ingesta, procesamiento, alertas.
Aplicaciones del mundo real y extensiones
- Estudios de caso: optimización del rendimiento, prevención de paradas y optimización de costos.
- Extensión de pipelines con herramientas de trazabilidad 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.
Audiencia
- Ingenieros de confiabilidad de sitio avanzados (SREs).
- Ingenieros de datos que trabajan en operaciones.
- Líderes de plataformas DevOps y arquitectos de infraestructura.