Bądźmy w kontakcie
 Czas trwania 35 godzin

Plan Szkolenia

Wprowadzenie do AIOps

Pochodzenie i ewolucja AIOps

Znaczenie AIOps we współczesnym IT

AIOps a analityka operacji IT – kluczowe różnice

Podstawowe technologie i pojęcia

Cykl życia systemu AIOps

Powiązane praktyki i metodologie

AIOps w kontekście organizacyjnym

Kluczowe czynniki napędowe i wpływające

Integracja z DevOps

Rola AIOps w Site Reliability Engineering (SRE)

AIOps a kwestie bezpieczeństwa IT

Dane, telemetria i złożoność systemów

Nowy paradygmat rozumienia kondycji systemów

Podstawowe technologie – dane

Czym jest Big Data?

5 cech Big Data

Charakterystyka Big Data w AIOps

Źródła i typy danych w środowiskach AIOps

Różnorodność danych i wyzwania związane z ich przetwarzaniem

Podstawowe technologie – uczenie maszynowe (ML)

AI, ML i ich rola w AIOps

Uczenie nadzorowane a nienadzorowane w AIOps

Uczenie maszynowe a tradycyjna analityka

Modele ML i ich zastosowanie w AIOps

Przyszłość AI w operacjach IT

Porównanie ML z podejściami analityki danych

AIOps a 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 czasowe: MTTD, MTBF, MTTA, MTTR

Zarządzanie umowami o gwarantowanym poziomie usług

Przypadki użycia i zmiana nastawienia organizacyjnego

Od operacji reaktywnych do proaktywnych

Charakterystyka reaktywnego modelu operacji IT

Przejście od podejść deterministycznych do probabilistycznych

Rzeczywiste przypadki użycia AIOps

Zmiana organizacyjna napędzana przez AIOps

Rozumienie przeszłości, przewidywanie przyszłości

Pomiar wpływu AIOps

Kluczowe metryki AIOps dla operacji IT

Synergia między AIOps, DevOps i SRE

Poprawa dokładności AI dzięki AIOps

Zwiększanie obserwowalności systemów

Śledzenie wpływu AIOps na operacje

Łączenie metryk AIOps ze wskaźnikami DORA

Wdrażanie AIOps w organizacji

Unikanie typowych pułapek

Etyka i uczenie maszynowe w AIOps

Ścieżki i strategie wdrożenia

Jakość danych i dopasowanie procesów

Kultura organizacyjna i praktyki wspierające

Regulacje dotyczące danych i zgodność z przepisami

Obsługa błędów modeli ML

Prywatność i ochrona danych użytkowników

Wymagania

Podstawowa znajomość terminologii IT oraz doświadczenie w pracy z technologiami informacyjnymi.

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (2)

Propozycje terminów

Powiązane Kategorie