Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao AIOps com Ferramentas Open Source
- Visão geral dos conceitos e benefícios do AIOps
- Prometheus e Grafana na pilha de observabilidade
- Onde a ML se encaixa no AIOps: análise predictiva vs. reativa
Configurando Prometheus e Grafana
- Instalação e configuração do Prometheus para coleta de séries temporais
- Criação de dashboards no Grafana usando métricas em tempo real
- Explorando exportadores, reetiquetas e descoberta de serviços
Pré-processamento de Dados para ML
- Extraindo e transformando as métricas do Prometheus
- Preparação de conjuntos de dados para detecção de anomalias e previsões
- Usando transformações do Grafana ou pipelines do Python
Aplique Machine Learning para Detecção de Anomalias
- Modelos de ML básicos para detecção de outliers (por exemplo, Floresta de Isolamento, SVM de Uma Classe)
- Treinando e avaliando modelos em dados de séries temporais
- Visualizando anomalias nos dashboards do Grafana
Métricas de Forecasting com ML
- Criar modelos simples de previsão (ARIMA, Prophet, introdução ao LSTM)
- Preditores de carga do sistema ou uso de recursos
- Usando predições para alertas antecipados e decisões de escala
Integrando ML com Alerta e Automação
- Definindo regras de alerta com base na saída da ML ou em limites
- Usando o Alertmanager e roteamento de notificações
- Acionar scripts ou fluxos de trabalho automatizados com detecção de anomalias
Escalar e Operacionalizar AIOps
- Integrando ferramentas de observabilidade externas (por exemplo, pilha ELK, Moogsoft, Dynatrace)
- Operacionalizando modelos ML em pipelines de observabilidade
- Melhores práticas para o AIOps em escala
Resumo e Próximos Passos
Requisitos
- Compreensão dos conceitos de monitoramento e observabilidade do sistema
- Experiência usando Grafana ou Prometheus
- Familiaridade com Python e princípios básicos de aprendizado de máquina
Público-Alvo
- Engenheiros de observabilidade
- Equipes de infraestrutura e DevOps
- Arquitetos de plataformas de monitoramento e engenheiros de confiabilidade do site (SREs)
14 Horas
