Wdrażanie AIOps z wykorzystaniem Prometheusa, Grafany i uczenia maszynowego - Plan Szkolenia

Wprowadzenie do AIOps z narzędziami open source

• Przegląd koncepcji i korzyści AIOps
• Prometheus i Grafana w stosie obserwowalności
• Rola uczenia maszynowego w AIOps: analityka predykcyjna a reaktywna

Konfiguracja Prometheusa i Grafany

• Instalacja i konfiguracja Prometheusa do zbierania szeregów czasowych
• Tworzenie pulpitów nawigacyjnych w Grafanie z wykorzystaniem metryk w czasie rzeczywistym
• Omówienie eksporterów, przeetykietowania i wykrywania usług

Wstępne przetwarzanie danych na potrzeby uczenia maszynowego

• Wyodrębnianie i przekształcanie metryk Prometheusa
• Przygotowywanie zestawów danych do wykrywania anomalii i prognozowania
• Korzystanie z transformacji Grafany lub potoków w Pythonie

Zastosowanie uczenia maszynowego do wykrywania anomalii

• Podstawowe modele ML do wykrywania wartości odstających (np. Isolation Forest, One-Class SVM)
• Trenowanie i ocena modeli na danych szeregów czasowych
• Wizualizacja anomalii na pulpitach Grafany

Prognozowanie metryk za pomocą uczenia maszynowego

• Budowa prostych modeli prognostycznych (ARIMA, Prophet, wprowadzenie do LSTM)
• Przewidywanie obciążenia systemu lub zużycia zasobów
• Wykorzystanie prognoz do wczesnego alertowania i decyzji o skalowaniu

Integracja uczenia maszynowego z alertami i automatyzacją

• Definiowanie reguł alertów na podstawie wyników ML lub progów
• Korzystanie z Alertmanagera i trasowania 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 w zakresie AIOps na dużą skalę

Podsumowanie i kolejne kroki