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.

 14 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie