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.
Duración 14 horas
Temario del curso
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 lugar de ML en AIOps: analítica predictiva frente a reactiva
Configuración de Prometheus y Grafana
- Instalación y configuración de Prometheus para la recolección de series temporales
- Creación de dashboards en Grafana utilizando métricas en tiempo real
- Exploración de exportadores, relabeling y descubrimiento de servicios
Preprocesamiento de datos para ML
- Extracción y transformación de métricas de Prometheus
- Preparación de conjuntos de datos para detección de anomalías y previsión
- Uso de las transformaciones de Grafana o flujos de trabajo en Python
Aplicación de Machine Learning para la detección de anomalías
- Modelos básicos de ML para 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 dashboards de Grafana
Previsión de métricas con ML
- Construcción de modelos de previsión simples (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 trabajo de automatización al detectar anomalías
Escala y operativización de AIOps
- Integración con herramientas de observabilidad externas (p. ej., pila ELK, Moogsoft, Dynatrace)
- Operativización de modelos de ML en pipelines de observabilidad
- Mejores prácticas para AIOps a gran escala
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos de monitoreo de sistemas y observabilidad
- Experiencia en el uso de Grafana o Prometheus
- Conocimiento de Python y principios básicos de machine learning
Público objetivo
- Ingenieros de observabilidad
- Equipos de infraestructura y DevOps
- Arquitectos de plataformas de monitoreo e ingenieros de confiabilidad de sitios (SRE)