Contacta con nosotros

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

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas