Plan Szkolenia

Wprowadzenie do AIOps

Geneza i rozwój AIOps

Znaczenie AIOps we współczesnym IT

AIOps a IT Operations Analytics – kluczowe różnice

Podstawowe technologie i koncepcje

Cykl życia systemu AIOps

Powiązane praktyki i podejścia

AIOps w kontekście organizacyjnym

Kluczowe czynniki i wpływy

Integracja z DevOps

Rola AIOps w Site Reliability Engineering (SRE)

AIOps a kwestie bezpieczeństwa IT

Złożoność danych, telemetrii i środowisk systemowych

Nowe podejście do rozumienia kondycji systemu

Podstawowe technologie – dane

Czym jest Big Data?

Pięć „V” Big Data

Cechy charakterystyczne danych w AIOps

Źródła i typy danych w środowiskach AIOps

Różnorodność danych i wyzwania związane z ich przetwarzaniem

Podstawowe technologie – uczenie maszynowe (ML)

Rola AI i ML w AIOps

Uczenie nadzorowane i nienadzorowane w AIOps

Uczenie maszynowe a tradycyjna analityka

Modele ML i ich zastosowanie w AIOps

Przyszłość AI w zarządzaniu systemami IT

Porównanie ML z klasycznymi podejściami analitycznymi

AIOps i metryki operacyjne

Kluczowe metryki operacyjne w środowiskach IT

Istotne wskaźniki dla różnych systemów

SLA, SLO i KPI – definicje i zastosowanie

Wskaźniki związane z incydentami: wykrywanie i klasyfikacja

Metryki czasowe: MTTD, MTBF, MTTA, MTTR

Zarządzanie umowami dotyczącymi poziomu usług

Przypadki użycia i zmiana podejścia organizacyjnego

Przejście z reaktywnego na proaktywne zarządzanie

Cechy reaktywnego modelu operacyjnego

Od podejścia deterministycznego do probabilistycznego

Przykłady zastosowań AIOps w praktyce

Zmiany organizacyjne napędzane przez AIOps

Analiza przeszłości i prognozowanie przyszłości

Pomiar wpływu AIOps

Kluczowe metryki AIOps dla operacji IT

Współpraca AIOps z DevOps i SRE

Zwiększanie dokładności AI dzięki AIOps

Zwiększanie widoczności systemu

Monitorowanie wpływu AIOps na procesy

Powiązanie wskaźników AIOps z metrykami DORA

Wdrażanie AIOps w organizacji

Najczęstsze błędy i jak ich unikać

Etyka i uczenie maszynowe w AIOps

Ścieżki i strategie wdrażania

Jakość danych i spójność procesów

Kultura organizacyjna i dobre praktyki

Regulacje i zgodność dotycząca danych

Błędy modeli ML i ich skutki

Prywatność i ochrona danych użytkowników

Wymagania

Podstawowa znajomość terminologii IT i doświadczenie w pracy z technologiami informatycznymi.

 14 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie