Ponte en Contacto
 Duración 14 horas

Temario del curso

Diseño de una Arquitectura de AIOps Abierta

  • Resumen de los componentes clave en las pipelines de AIOps abiertas
  • Flujo de datos desde la ingesta hasta las alertas
  • Comparación de herramientas y estrategia de integración

Recopilación y Agregación de Datos

  • Ingesta de datos de series temporales con Prometheus
  • Captura de registros con Logstash y Beats
  • Normalización de datos para la correlación entre múltiples fuentes

Creación de Tableros de Observabilidad

  • Visualización de métricas con Grafana
  • Creación de tableros en Kibana para el análisis de registros
  • Uso de consultas de Elasticsearch para extraer información operativa

Detección de Anomalías y Predicción de Incidentes

  • Exportación de datos de observabilidad a pipelines de Python
  • Entrenamiento de modelos de ML para la detección de valores atípicos y la pronóstico
  • Despliegue de modelos para inferencia en tiempo real dentro de la pipeline de observabilidad

Alertas y Automatización con Herramientas Abiertas

  • Creación de reglas de alerta en Prometheus y enrutamiento de Alertmanager
  • Disparo de scripts o flujos de trabajo de API para respuesta automática
  • Uso de herramientas de orquestación de código abierto (p. ej., Ansible, Rundeck)

Consideraciones de Integración y Escalabilidad

  • Gestión de la ingesta de alto volumen y la retención a largo plazo
  • Seguridad y control de acceso en pila de herramientas de código abierto
  • Escalar cada capa de forma independiente: ingesta, procesamiento, alertas

Aplicaciones y Extensiones del Mundo Real

  • Casos de estudio: ajuste de rendimiento, prevención de interrupciones y optimización de costos
  • Extensión de pipelines con herramientas de trazas o grafos de servicios
  • Mejores prácticas para ejecutar y mantener AIOps en producción

Resumen y Siguientes Pasos

Requerimientos

  • Experiencia con herramientas de observabilidad como Prometheus o ELK
  • Conocimiento práctico de Python y fundamentos de aprendizaje automático (ML)
  • Comprensión de las operaciones de TI y flujos de trabajo de alertas

Público objetivo

  • Ingenieros de confiabilidad de sitios (SRE) de nivel avanzado
  • Ingenieros de datos que trabajan en operaciones
  • Líderes de plataformas DevOps y arquitectos de infraestructura

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas