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.
Programa del Curso
Introducción a Predictive AIOps
- Visión general del análisis predictivo en las operaciones de IT
- Fuentes de datos para la predicción (logs, métricas, eventos)
- Conceptos clave en la previsiones de series temporales y patrones anómalos
Diseño de Modelos de Predicción de Incidentes
- Etiquetado de incidentes históricos y comportamiento del sistema
- Eleccion y entrenamiento de modelos (por ejemplo, LSTM, Random Forest, AutoML)
- Evaluación del rendimiento del modelo y manejo de falsos positivos
Recolección de Datos e Ingeniería de Características
- Ingesta y alineamiento de datos de logs y métricas para la entrada del modelo
- Extracción de características a partir de datos estructurados y no estructurados
- Gestión de ruido y datos faltantes en las tuberías operativas
Automatización del Análisis de Causas Raíz (RCA)
- Correlación basada en gráficos de servicios e infraestructura
- Uso de IA para inferir posibles causas raíz a partir de cadenas de eventos
- Visualización del RCA con paneles conscientes de la topología
Remediación y Workflow Automation
- Integración con plataformas de automatización (por ejemplo, Ansible, Rundeck)
- Iniciar rollbacks, reinicios o redirección del tráfico
- Auditoría y documentación de intervenciones automáticas
Escalar Pipelines Inteligentes AIOps
- MLOps para la observabilidad: reentrenamiento y versionado del modelo
- Realización de predicciones en tiempo real a través de nodos distribuidos
- Mejores prácticas para desplegar AIOps en entornos de producción
Casos de Estudio y Aplicaciones Prácticas
- Análisis de datos reales de incidentes utilizando modelos predictivos AIOps
- Despliegue de tuberías RCA con datos sintéticos y de producción
- Revisión de casos de uso industriales: interrupciones en la nube, inestabilidad de microservicios, degradación de redes
Resumen y Próximos Pasos
Requerimientos
- Experiencia con sistemas de monitoreo como Prometheus o ELK
- Conocimientos prácticos de Python y aprendizaje automático básico
- Familiaridad con los flujos de trabajo de gestión de incidentes
Público objetivo
- Ingenieros senior de confiabilidad del sitio (SREs)
- Arquitectos de automatización de IT
- Líderes de plataformas de DevOps y observabilidad
14 Horas
