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.
Opinie uczestników (1)
Treningi praktyczne były prowadzone i wspierane przez trenera.
Aleksandra - Fundacja PTA
Szkolenie - Mastering Make: Advanced Workflow Automation and Optimization
Przetłumaczone przez sztuczną inteligencję