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 a AIOps con herramientas de código abierto
- Visión general de conceptos y beneficios de AIOps.
- Prometheus y Grafana en la pila de observabilidad.
- Dónde encaja ML en AIOps: análisis predictivo vs reactivo.
Configuración de Prometheus y Grafana
- Instalación y configuración de Prometheus para la recopilación de series temporales.
- Creación de paneles en Grafana utilizando métricas en tiempo real.
- Exploración de exportadores, reetiquetado y descubrimiento de servicios.
Preprocesamiento de datos para ML
- Extracción y transformación de métricas de Prometheus.
- Preparación de conjuntos de datos para detección de anomalías y predicción.
- Uso de transformaciones de Grafana o tuberías (pipelines) de Python.
Aplicación de aprendizaje automático para la detección de anomalías
- Modelos básicos de ML para detección de valores atípicos (por ejemplo, Bosques de aislamiento, SVM One-Class).
- Entrenamiento y evaluación de modelos en datos de series temporales.
- Visualización de anomalías en paneles de Grafana.
Predicción de métricas con ML
- Construcción de modelos de predicción simples (ARIMA, Prophet, introducción a LSTM).
- Predicción de carga del sistema o uso de recursos.
- Uso de predicciones para alertas tempranas y decisiones de escalado.
Integración de ML con alertas y automatización
- Definición de reglas de alerta basadas en la salida de ML o umbrales.
- Uso de Alertmanager y enrutamiento de notificaciones.
- Activación de scripts o flujos de trabajo de automatización ante detección de anomalías.
Escalado y puesta en operación de AIOps
- Integración de herramientas externas de observabilidad (por ejemplo, pila ELK, Moogsoft, Dynatrace).
- Puesta en operación de modelos de ML en tuberías de observabilidad.
- Mejores prácticas para AIOps a gran escala.
Resumen y próximos pasos
Requerimientos
- Comprensión de conceptos de monitoreo y observabilidad de sistemas.
- Experiencia utilizando 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 confiabilidad del sitio (SREs).
14 Horas
