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.
Plan Szkolenia
Wprowadzenie do AIOps z wykorzystaniem narzędzi open source
- Przegląd koncepcji i korzyści AIOps
- Prometheus i Grafana w stosie obserwowalności
- Miejsce ML w AIOps: analiza predykcyjna vs. reaktywna
Konfiguracja Prometheusa i Grafany
- Instalacja i konfiguracja Prometheusa do zbierania szeregów czasowych
- Tworzenie dashboardów w Grafanach z wykorzystaniem metryk w czasie rzeczywistym
- Eksploracja eksporterów, relabelingu i wykrywania usług
Przetwarzanie wstępne danych dla ML
- Ekstrakcja i transformacja metryk z Prometheusa
- Przygotowywanie zbiorów danych do wykrywania anomalii i prognozowania
- Wykorzystanie transformacji Grafany lub potoków w Pythonie
Zastosowanie uczenia maszynowego do wykrywania anomalii
- Podstawowe modele ML do wykrywania odstępstw (np. Isolation Forest, One-Class SVM)
- Trenowanie i ewaluacja modeli na danych szeregów czasowych
- Wizualizacja anomalii na dashboardach Grafany
Prognozowanie metryk z wykorzystaniem ML
- Budowanie prostych modeli prognozowania (ARIMA, Prophet, wprowadzenie do LSTM)
- Przewidywanie obciążenia systemu lub wykorzystania zasobów
- Wykorzystanie prognoz do wczesnego alertowania i decyzji skalowania
Integracja ML z alertami i automatyzacją
- Definiowanie reguł alertów na podstawie wyników ML lub progów
- Wykorzystanie Alertmanagera i routingu powiadomień
- Wyzwalanie skryptów lub przepływów automatyzacji po wykryciu anomalii
Skalowanie i operacjonalizacja AIOps
- Integracja zewnętrznych narzędzi obserwowalności (np. ELK stack, Moogsoft, Dynatrace)
- Operacjonalizacja modeli ML w potokach obserwowalności
- Najlepsze praktyki dotyczące AIOps na dużą skalę
Podsumowanie i kolejne kroki
Wymagania
- Zrozumienie koncepcji monitorowania systemów i obserwowalności
- Doświadczenie w korzystaniu z Grafany lub Prometheusa
- Znajomość Pythona i podstawowych zasad uczenia maszynowego
Grupa docelowa
- Inżynierowie obserwowalności
- Zespoły infrastruktury i DevOps
- Architekci platform monitorowania i inżynierowie niezawodności stron (SREs)
14 godzin