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
Diseño de una arquitectura AIOps abierta
- Resumen de los componentes clave en las canalizaciones AIOps de código abierto
- Flujo de datos desde la ingestión hasta la alerta
- Comparación de herramientas y estrategia de integración
Recopilación y agregación de datos
- Ingestión de datos de series temporales con Prometheus
- Captura de registros con Logstash y Beats
- Normalización de datos para la correlación entre diferentes fuentes
Construcción de paneles de observabilidad
- Visualización de métricas con Grafana
- Construcción de paneles en Kibana para análisis de registros
- Uso de consultas en Elasticsearch para extraer información operativa
Detección de anomalías y predicción de incidentes
- Exportación de datos de observabilidad a canalizaciones de Python
- Entrenamiento de modelos de aprendizaje automático para la detección de valores atípicos y pronóstico
- Implementación de modelos para inferencia en vivo en la canalización de observabilidad
Alerta y automatización con herramientas abiertas
- Creación de reglas de alerta en Prometheus y enrutamiento con Alertmanager
- Activación de scripts o flujos de trabajo API para respuesta automática
- Uso de herramientas de orquestación de código abierto (por ejemplo, Ansible, Rundeck)
Consideraciones de integración y escalabilidad
- Manejo de ingestión de alto volumen y retención a largo plazo
- Seguridad y control de acceso en pilas de código abierto
- Escalado independiente de cada capa: ingestión, procesamiento, alerta
Aplicaciones del mundo real y extensiones
- Estudios de casos: optimización del rendimiento, prevención de tiempos de inactividad y optimización de costos
- Extensión de las canalizaciones con herramientas de rastreo o grafos de servicios
- Mejores prácticas para ejecutar y mantener AIOps en producción
Resumen y próximos pasos
Requerimientos
- Experiencia con herramientas de observabilidad como Prometheus o ELK
- Conocimiento práctico de Python y fundamentos del aprendizaje automático
- Comprensión de las operaciones de TI y los flujos de trabajo de alertas
Público objetivo
- Ingenieros avanzados de confiabilidad del sitio (SRE)
- Ingenieros de datos que trabajan en operaciones
- Líderes de plataformas DevOps y arquitectos de infraestructura
14 Horas