Ponte en Contacto
 Duración 14 horas

Temario del curso

Introducción a AIOps con herramientas de código abierto

  • Visión general de los conceptos y beneficios de AIOps
  • Prometheus y Grafana en la pila de observabilidad
  • El lugar de ML en AIOps: analítica predictiva vs. reactiva

Configuración de Prometheus y Grafana

  • Instalación y configuración de Prometheus para la recopilación de series de tiempo
  • Creación de paneles (dashboards) en Grafana utilizando métricas en tiempo real
  • Exploración de exportadores, reetiquetado (relabeling) 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 la predicción
  • Uso de las transformaciones de Grafana o pipelines de 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 de tiempo
  • Visualización de anomalías en los paneles de Grafana

Predicción de métricas con ML

  • Construcción de modelos simples de predicción (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 alertas basadas en la salida de ML o umbrales
  • Uso de Alertmanager y enrutamiento de notificaciones
  • Disparo de scripts o flujos de trabajo de automatización ante la detección de anomalías

Escala y operacionalización de AIOps

  • Integración de 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.

Público objetivo

  • Ingenieros de observabilidad.
  • Equipos de infraestructura y DevOps.
  • Arquitectos de plataformas de monitoreo e ingenieros de fiabilidad de sitios (SRE).

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas