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.

 14 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie