Ponte en Contacto
 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)

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas