Bądźmy w kontakcie

Plan Szkolenia

Landszaft AI Observability

  • Od dashboardów do konwersacji: zmiana podejścia w kierunku obserwacji wzmocnionej przez AI
  • Zdolności modeli LLM istotne dla observowalności: podsumowywanie, wnioskowanie, dopasowywanie wzorców
  • Wzorce architektoniczne: wbudowywanie AI do istniejących stosów technologicznych obserwacji

Zapytania telemetryczne w języku naturalnym

  • Text-to-PromQL: tłumaczenie języka naturalnego na zapytania monitorujące
  • Zapytania NL dla magazynów logów Elasticsearch, OpenSearch i Loki
  • Generowanie kodu SQL z języka naturalnego do ustrukturyzowanej telemetrii
  • Tworzenie agenta pomocnika zapytań z wykorzystaniem narzędzi i świadomości kontekstu

Analiza logów wspierana przez modele LLM

  • Zautomatyzowane parsowanie i strukturyzacja logów z wykorzystaniem modeli LLM
  • Wykrywanie anomalii w strumieniach logów przy użyciu podobieństwa wektorowego (embedding similarity)
  • Klastrowanie logów i odkrywanie wzorców w skali
  • Generowanie objaśnień zrozumiałych dla człowieka z surowych ciągów logów

Inteligentne alarmowanie i wzbogacanie incydentów

  • Korelacja alertów i eliminacja duplikatów przy zrozumieniu semantycznym
  • Zautomatyzowane gromadzenie kontekstu incydentu z podręczników (runbooks), przeszłych incydentów i dokumentacji
  • Inteligentne kierowanie alertów na podstawie zrozumienia treści i wiedzy zespołu
  • Ograniczanie zmęczenia alarmami poprzez redukcję szumu napędzaną przez AI

Identyfikacja przyczyny źródłowej ze wsparciem AI

  • Kreowanie hipotez na podstawie korelacji telemetrii z wielu źródeł
  • Evidence chaining: łączenie objawów w zakresie metryk, logów i trace'ów
  • Kierowane rozwiązywanie problemów z interaktywnymi sesjami diagnozy AI
  • Tworzenie agenta identyfikacji przyczyny źródłowej z progresywnym badaniem

Zautomatyzowana reakcja na incydenty i komunikacja

  • Generowanie podsumowań incydentów i aktualizacji statusu na podstawie telemetrii
  • Zautomatyzowane tworzenie raportów postmortem z rekonstrukcją oś czasu
  • Komunikacja z interesariuszami dostosowana do odbiorców technicznych i zarządzających
  • Sugestie dotyczący podręczników (runbook) oraz automatyczne rekomendacje remedacji

ML dla Observability

  • Prognozowanie szeregów czasowych do planowania pojemności i prognozowania anomalii
  • Modele bazowe do wykrywania anomalii „zero-shot” na metrykach
  • Mapowanie zależności usług i odkrywanie topologii na podstawie embeddingów
  • Szkolenie i wdrażanie lekkich modeli ML wraz z potokami obserwacyjnymi

Wdrożenia produkcyjne i etyka

  • Rozważania dotyczące opóźnień i kosztów dla rzeczywistej observowalności napędzanej przez AI
  • Prywatność danych: zapewnienie, że modele LLM nie wypuszczają wrażliwych danych telemetrii
  • Nadzór człowieka: kiedy diagnoza AI wymaga walidacji przez operatora
  • Mierzenie wpływu: MTTD, MTTR i metryki dotyczące doświadczenia podczas dyżurów (on-call)

Wymagania

  • Doświadczenie z narzędziami observacyjnymi takimi jak Prometheus, Grafana, Datadog lub OpenTelemetry.
  • Znajomość koncepcji zarządzania logami i metrykami.
  • Podstawowa umiejętność skryptowania w Pythonie do przetwarzania danych.

Grupa docelowa

  • Inżynierowie SRE i observowalności wprowadzający narzędzia wspomagane przez AI.
  • Inżynierowie platform budujący potoki monitorowania nowej generacji.
  • Kierownicy DevOps oceniający integrację modeli LLM w przepływach pracy związanych z incydentami.
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Propozycje terminów

Powiązane Kategorie