Contacta con nosotros

Temario del curso

Diseño de una arquitectura abierta para AIOps

  • Descripción general de los componentes clave en pipelines de AIOps de código abierto
  • Flujo de datos desde la ingestión hasta la generación de alertas
  • Comparación de herramientas y estrategia de integración

Recopilación y agregación de datos

  • Ingestión de datos de series temporales con Prometheus
  • Captura de registros (logs) con Logstash y Beats
  • Normalización de datos para la correlación entre diferentes fuentes

Construcción de paneles de observabilidad

  • Visualización de métricas con Grafana
  • Creación de paneles de Kibana para análisis de registros
  • Utilización de consultas de Elasticsearch para extraer información operacional relevante

Detección de anomalías y predicción de incidentes

  • Exportación de datos de observabilidad a pipelines en Python
  • Entrenamiento de modelos de aprendizaje automático para detección de valores atípicos y pronósticos
  • Despliegue de modelos para inferencia en tiempo real dentro del pipeline de observabilidad

Alertas y automatización con herramientas de código abierto

  • Creación de reglas de alerta en Prometheus y configuración de enrutamiento en Alertmanager
  • Activación de scripts o flujos de trabajo de API para respuestas automáticas
  • Uso de herramientas de orquestación de código abierto (por ejemplo, Ansible, Rundeck)

Consideraciones sobre integración y escalabilidad

  • Manejo de ingestión a gran volumen y retención a largo plazo
  • Seguridad y control de acceso en pilas de código abierto
  • Escalamiento independiente de cada capa: ingestión, procesamiento y alertas

Aplicaciones del mundo real y extensiones

  • Estudios de caso: ajuste de rendimiento, prevención de tiempos de inactividad y optimización de costos
  • Extensión de pipelines mediante herramientas de trazado o gráficos de servicios
  • Mejores prácticas para la ejecución y mantenimiento de AIOps en producción

Resumen y próximos pasos

Requerimientos

  • Experiencia con herramientas de observabilidad como Prometheus o ELK
  • Conocimientos funcionales de Python y fundamentos del aprendizaje automático
  • Comprensión de las operaciones de TI y 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

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas