Plan Szkolenia
Wprowadzenie do AIOps
Pochodzenie i ewolucja AIOps
Ważność AIOps w nowoczesnym IT
AIOps vs. analiza operacji IT – kluczowe różnice
Główne technologie i pojęcia
Cykl życia systemu AIOps
Zwiiązane praktyki i metody
AIOps w kontekście organizacyjnym
Główne czynniki napędzające i wpływające
Integracja z DevOps
Rola AIOps w Site Reliability Engineering (SRE)
AIOps a obawy związane z bezpieczeństwem IT
Dane, telemetria i złożoność systemu
Nowy paradygmat dla zrozumienia stanu zdrowia systemu
Główne technologie – Dane
Co to jest Big Data?
5 V Big Data
Cechy Big Data w AIOps
Źródła danych i typy danych w środowiskach AIOps
Różnorodność danych i wyzwania związane z przetwarzaniem
Główne technologie – Machine Learning (ML)
AI, ML i ich rola w AIOps
Nadzorowany vs. nienadzorowany uczenie się w AIOps
Uczenie maszynowe vs. tradycyjna analiza
Modele ML i ich zastosowanie w AIOps
Przyszłość AI w operacjach IT
Porównanie ML z podejściami analizy danych
AIOps i metryki operacyjne
Kluczowe metryki operacyjne dla środowisk IT
Ważne wskaźniki w różnych systemach
SLA, SLO i KPI – definicje i zastosowanie
Metryki związane z incydentami: wykrywanie i klasyfikacja
Metryki oparte na czasie: MTTD, MTBF, MTTA, MTTR
Zarządzanie umowami o poziomie usług
Use Cases i zmiana myślenia organizacyjnego
Z operacji reaktywnej do proaktywnej
Cechy modelu operacji IT reaktywnego
Przejście od podejścia deterministycznego do probabilistycznego
Przykłady zastosowania AIOps w świecie rzeczywistym
Zmiana organizacyjna napędzana przez AIOps
Rozumienie przeszłości, przewidywanie przyszłości
Mierzenie wpływu AIOps
Kluczowe metryki AIOps dla operacji IT
Synergia między AIOps, DevOps i SRE
Poprawa dokładności AI dzięki AIOps
Poprawa obserwowalności systemu
Śledzenie wpływu AIOps na operacje
Połączenie metryk AIOps z wskaźnikami DORA
Wdrażanie AIOps w organizacji
Unikanie typowych pułapek
Etyka i uczenie maszynowe w AIOps
Ścieżki i strategie wdrażania
Jakość danych i wyłowienie procesów
Kultura organizacyjna i wspierające praktyki
Przepisy dotyczące danych i zgodność
Zarządzanie błędami modeli ML
Prywatność i ochrona danych użytkowników
Wymagania
Podstawowa znajomość terminologii IT oraz doświadczenie w pracy z technologiami informacyjnymi.
Opinie uczestników (1)
Treningi praktyczne były prowadzone i wspierane przez trenera.
Aleksandra - Fundacja PTA
Szkolenie - Mastering Make: Advanced Workflow Automation and Optimization
Przetłumaczone przez sztuczną inteligencję