Bądźmy w kontakcie

Plan Szkolenia

Wprowadzenie do AIOps

Pochodzenie i ewolucja AIOps

Znaczenie AIOps we współczesnym IT

AIOps a analityka operacji IT – kluczowe różnice

Podstawowe technologie i koncepcje

Cykl życia systemu AIOps

Powiązane praktyki i metodologie

AIOps w kontekście organizacyjnym

Kluczowe czynniki napędowe i wpływające

Integracja z DevOps

Rola AIOps w inżynierii niezawodności systemów (SRE)

AIOps a kwestie bezpieczeństwa IT

Dane, telemetria i złożoność systemów

Nowy paradygmat rozumienia zdrowia systemu

Podstawowe technologie – Dane

Czym są Big Data?

5 V Big Data

Charakterystyka Big Data w AIOps

Źródła i typy danych w środowiskach AIOps

Różnorodność danych i wyzwania związane z przetwarzaniem

Podstawowe technologie – Uczenie maszynowe (ML)

Sztuczna inteligencja, uczenie maszynowe i ich rola w AIOps

Uczenie nadzorowane a nienadzorowane w AIOps

Uczenie maszynowe a tradycyjna analityka

Modele uczenia maszynowego i ich zastosowanie w AIOps

Przyszłość sztucznej inteligencji w operacjach IT

Porównanie uczenia maszynowego z podejściami do 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 czasowe: MTTD, MTBF, MTTA, MTTR

Zarządzanie umowami poziomu usług

Przypadki użycia i zmiana myślenia w organizacji

Od działań reaktywnych do proaktywnych

Charakterystyka reaktywnego modelu operacji IT

Przejście od podejść deterministycznych do probabilistycznych

Rzeczywiste przypadki użycia AIOps

Zmiany organizacyjne napędzane przez AIOps

Zrozumienie przeszłości, przewidywanie przyszłości

Pomiar wpływu AIOps

Kluczowe metryki AIOps dla operacji IT

Synergia między AIOps, DevOps i SRE

Poprawa dokładności AI poprzez AIOps

Zwiększenie obserwowalności systemu

Śledzenie wpływu AIOps na operacje

Łączenie 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 dostosowanie procesów

Kultura organizacyjna i wspierające praktyki

Przepisy dotyczące danych i zgodność

Radzenie sobie z błędami modeli uczenia maszynowego

Prywatność i ochrona danych użytkowników

Wymagania

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

 35 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie