Plan Szkolenia
Wprowadzenie do AIOps
Pochodzenie i ewolucja AIOps
Ważność AIOps w nowoczesnym IT
AIOps vs. Analiza Operacji IT – kluczowe różnice
Podstawowe technologie i koncepcje
Cykl życia systemu AIOps
Związane praktyki i metody
AIOps w kontekście organizacyjnym
Kluczowe napędniki i czynniki wpływające na AIOps
Integracja z DevOps
Rola AIOps w Inżynierii Niezawodności Serwisu (SRE)
Zabiegi bezpieczeństwa IT związane z AIOps
Dane, telemetria i złożoność systemów
Nowa paradigma pojmowania zdrowia systemu
Podstawowe technologie – dane
Co to jest Big Data?
5 V Big Data
Charakterystyka Big Data w AIOps
Źródła i rodzaje danych w środowiskach AIOps
Rozmaitość danych i wyzwania związane z ich przetwarzaniem
Podstawowe technologie – uczenie maszynowe (ML)
AI, ML i ich rola w AIOps
Nadzorowane vs. nienadzorowane uczenie w AIOps
Uczenie maszynowe vs. tradycyjna analiza danych
Modele ML i ich zastosowanie w AIOps
Przyszłość AI w operacjach IT
Porównanie ML z podejściami do analizy danych
AIOps i wskaźniki operacyjne
Kluczowe wskaźniki operacyjne dla środowisk IT
Ważne wskaźniki w różnych systemach
SLA, SLO i KPI – definicje i zastosowanie
Wskaźniki związane z incydentami: wykrywanie i klasyfikacja
Wskaźniki czasowe: MTTD, MTBF, MTTA, MTTR
Zarządzanie umowami na poziom usług (SLA)
Przypadki użycia i zmiana organizacyjnej mentalności
Przejście od reaktywnych do proaktywnych operacji
Charakterystyka modelu operacji IT reakcyjnych
Przejście od podejść deterministycznych do probabilistycznych
Realne przypadki użycia AIOps
Organizacyjna zmiana kierowana przez AIOps
Zrozumienie przeszłości, prognozowanie przyszłości
Pomiar wpływu AIOps
Kluczowe wskaźniki AIOps dla operacji IT
Synergia między AIOps, DevOps i SRE
Poprawa dokładności AI poprzez AIOps
Wzmocnienie obserwowalności systemów
Śledzenie wpływu AIOps na operacje
Połączenie wskaźników AIOps z wskaźnikami DORA
Implementacja AIOps w organizacji
Unikanie powszechnych pułapek
Etyka i uczenie maszynowe w AIOps
Ścieżki i strategie implementacji
Jakość danych i alignowanie procesów
Kultura organizacyjna i wspierające praktyki
Regulacje dotyczące danych i zgodność
Obsługa błędów modeli ML
Prywatność i ochrona danych użytkowników
Wymagania
Podstawowa znajomość terminologii IT oraz doświadczenie w pracy z technologiami informatycznymi.
Opinie uczestników (1)
Było wiele praktycznych ćwiczeń nadzorowanych i wspomaganych przez trenera
Aleksandra - Fundacja PTA
Szkolenie - Mastering Make: Advanced Workflow Automation and Optimization
Przetłumaczone przez sztuczną inteligencję