Implementación de AIOps con Prometheus, Grafana y ML

Introducción a AIOps con herramientas de código abierto

• Visión general de los conceptos y beneficios de AIOps
• Prometheus y Grafana en la pila de observabilidad
• El papel del ML en AIOps: analítica predictiva vs. reactiva

Configuración de Prometheus y Grafana

• Instalación y configuración de Prometheus para la recolección de series temporales
• Creación de paneles en Grafana utilizando métricas en tiempo real
• Exploración de exportadores, reetiquetado y descubrimiento de servicios

Preprocesamiento de datos para ML

• Extracción y transformación de métricas de Prometheus
• Preparación de conjuntos de datos para la detección de anomalías y predicción
• Uso de las transformaciones de Grafana o flujos de trabajo (pipelines) de Python

Aplicación de aprendizaje automático para la detección de anomalías

• Modelos básicos de ML para la detección de valores atípicos (p. ej., Isolation Forest, One-Class SVM)
• Entrenamiento y evaluación de modelos con datos de series temporales
• Visualización de anomalías en los paneles de Grafana

Predicción de métricas con ML

• Construcción de modelos simples de predicción (ARIMA, Prophet, introducción a LSTM)
• Predicción de la carga del sistema o el uso de recursos
• Uso de las predicciones para alertas tempranas y decisiones de escalado

Integración de ML con alertas y automatización

• Definición de reglas de alerta basadas en la salida de ML o umbrales
• Uso de Alertmanager y enrutamiento de notificaciones
• Disparación de scripts o flujos de automatización al detectar anomalías

Escalado y operativización de AIOps

• Integración de herramientas externas de observabilidad (p. ej., pila ELK, Moogsoft, Dynatrace)
• Operativización de modelos de ML en flujos de observabilidad
• Mejores prácticas para AIOps a gran escala

Resumen y próximos pasos