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 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