Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al AIOps predictivo
- Panorama general del análisis predictivo en operaciones de TI
- Fuentes de datos para la predicción (registros, métricas, eventos)
- Conceptos clave en pronóstico de series temporales y patrones de anomalías
Diseño de modelos de predicción de incidentes
- Etiquetado de incidentes históricos y comportamiento del sistema
- Selección y entrenamiento de modelos (por ejemplo, LSTM, Random Forest, AutoML)
- Evaluación del rendimiento del modelo y manejo de falsos positivos
Recopilación de datos e ingeniería de características
- Ingesta y alineación de datos de registros y métricas para la entrada del modelo
- Extracción de características de datos estructurados y no estructurados
- Manejo del ruido y datos faltantes en los flujos operativos
Automatización del Análisis de la Causa Raíz (RCA)
- Correlación basada en grafos de servicios e infraestructura
- Uso de ML para inferir posibles causas raíz a partir de cadenas de eventos
- Visualización del RCA con paneles conscientes de la topología
Remediación y Automatización de Flujos de Trabajo
- Integración con plataformas de automatización (por ejemplo, Ansible, Rundeck)
- Desencadenamiento de reversiones, reinicios o redireccionamiento de tráfico
- Auditoría y documentación de las intervenciones automatizadas
Escalamiento de Flujos de Trabajo Inteligentes de AIOps
- MLOps para observabilidad: reentrenamiento y versión de modelos
- Ejecución de predicciones en tiempo real en nodos distribuidos
- Mejores prácticas para implementar AIOps en entornos de producción
Estudios de Caso y Aplicaciones Prácticas
- Análisis de datos reales de incidentes utilizando modelos de AIOps predictivo
- Implementación de flujos de RCA con datos sintéticos y de producción
- Revisión de casos de uso industriales: interrupciones en la nube, inestabilidad de microservicios, degradación de red
Resumen y Próximos Pasos
Requerimientos
- Experiencia con sistemas de monitoreo como Prometheus o ELK
- Conocimiento práctico de Python y aprendizaje automático básico
- Familiaridad con los flujos de trabajo de gestión de incidentes
Perfil del participante
- Ingenieros senior de confiabilidad del sitio (SREs)
- Arquitectos de automatización de TI
- Líderes de plataformas DevOps y observabilidad
14 Horas
