Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Wprowadzenie do AIOps z użyciem narzędzi open source
- Przegląd koncepcji i korzyści związanych z AIOps
- Prometheus i Grafana w stosie obserwowalności
- Rola uczenia maszynowego w AIOps: analityka predykcyjna kontra reaktywna
Konfiguracja Prometheus i Grafana
- Instalacja i konfiguracja Prometheus do zbierania danych szeregu czasowego
- Tworzenie dashboardów w Grafana z użyciem metryk w czasie rzeczywistym
- Wykorzystanie eksporterów, relablowania i odkrywania usług
Przetwarzanie danych dla uczenia maszynowego
- Eksportowanie i transformacja metryk Prometheus
- Przygotowywanie zbiorów danych do wykrywania anomalii i prognozowania
- Korzystanie z transformacji Grafana lub rurociągów Pythona
Stosowanie uczenia maszynowego do wykrywania anomalii
- Podstawowe modele ML do wykrywania odchyleń (np. Isolation Forest, One-Class SVM)
- Szkolenie i ocenianie modeli na danych szeregu czasowego
- Wizualizacja anomalii na dashboardach Grafana
Prognozowanie metryk z użyciem uczenia maszynowego
- Budowanie prostych modeli prognozy (ARIMA, Prophet, wprowadzenie do LSTM)
- Prognozowanie obciążenia systemu lub wykorzystania zasobów
- Korzystanie z prognoz do wczesnych alertów i decyzji dotyczących skalowania
Integracja uczenia maszynowego z alertowaniem i automatyzacją
- Definiowanie reguł alertów na podstawie wyników ML lub progów
- Korzystanie z Alertmanager i routingu powiadomień
- Inicjowanie skryptów lub workflow automatyzacji przy wykrywaniu anomalii
Skalowanie i operacjonalizacja AIOps
- Integracja zewnętrznych narzędzi obserwowalności (np. stos ELK, Moogsoft, Dynatrace)
- Operacjonalizacja modeli ML w rurociągach obserwowalności
- Najlepsze praktyki AIOps w dużej skali
Podsumowanie i kolejne kroki
Wymagania
- Znajomość koncepcji monitorowania systemów i obserwowalności
- Doświadczenie w korzystaniu z Grafana lub Prometheus
- Znajomość języka Python i podstawowych zasad uczenia maszynowego
Grupa docelowa
- Inżynierowie ds. obserwowalności
- Zespoły infrastruktury i DevOps
- Archiweci platform monitorowania i inżynierowie niezawodności serwisu (SRE)