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
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 del aprendizaje automático en AIOps: analítica predictiva frente a reactiva.
Configuración de Prometheus y Grafana
- Instalación y configuración de Prometheus para la recopilación de series temporales.
- Creación de paneles en Grafana utilizando métricas en tiempo real.
- Exploración de exporters, reetiquetado (relabeling) y descubrimiento de servicios.
Preprocesamiento de datos para aprendizaje automático
- Extracción y transformación de métricas de Prometheus.
- Preparación de conjuntos de datos para la detección de anomalías y la predicción.
- Utilización de las transformaciones de Grafana o pipelines en Python.
Aplicación de aprendizaje automático para la detección de anomalías
- Modelos básicos de ML para la detección de valores atípicos (por ejemplo, Isolation Forest, One-Class SVM).
- Entrenamiento y evaluación de modelos en datos de series temporales.
- Visualización de anomalías en paneles de Grafana.
Predicción de métricas con aprendizaje automático
- 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 anticipadas y decisiones de escalado.
Integración de aprendizaje automático con alertas y automatización
- Definición de reglas de alerta basadas en la salida del ML o umbrales.
- Uso de Alertmanager y enrutamiento de notificaciones.
- Activación de scripts o flujos de trabajo de automatización ante la detección de anomalías.
Escalado y puesta en producción de AIOps
- Integración de herramientas externas de observabilidad (por ejemplo, pila ELK, Moogsoft, Dynatrace).
- Puesta en producción (operationalización) 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 monitorización de sistemas y observabilidad.
- Experiencia utilizando Grafana o Prometheus.
- Conocimientos de Python y principios básicos de aprendizaje automático.
Público objetivo
- Ingenieros de observabilidad.
- Equipos de infraestructura y DevOps.
- Arquitectos de plataformas de monitorización e ingenieros de confiabilidad del sitio (SRE).
14 Horas
