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
Diseño de una arquitectura de AIOps abierta
- Vista general de los componentes clave en los pipelines de AIOps abiertos
- Flujo de datos desde la ingesta hasta las alertas
- Comparación de herramientas y estrategia de integración
Recopilación y agregación de datos
- Ingesta de datos de series temporales con Prometheus
- Captura de registros con Logstash y Beats
- Normalización de datos para la correlación entre múltiples fuentes
Construcción de tableros de observabilidad
- Visualización de métricas con Grafana
- Creación de tableros en Kibana para el análisis de registros
- Uso de consultas de Elasticsearch para extraer información operativa
Detección de anomalías y predicción de incidentes
- Exportación de datos de observabilidad a pipelines de Python
- Entrenamiento de modelos de ML para la detección de valores atípicos y la predicción
- Despliegue de modelos para inferencia en vivo en el pipeline de observabilidad
Alertas y automatización con herramientas abiertas
- Creación de reglas de alertas de Prometheus y enrutamiento de Alertmanager
- Activación de scripts o flujos de trabajo de API para la respuesta automática
- Uso de herramientas de orquestación de código abierto (p. ej., Ansible, Rundeck)
Consideraciones de integración y escalabilidad
- Gestión de la ingesta de alto volumen y la retención a largo plazo
- Seguridad y control de acceso en pilas de código abierto
- Escalado de cada capa de forma independiente: ingesta, procesamiento, alertas
Aplicaciones y extensiones del mundo real
- Estudios de caso: ajuste de rendimiento, prevención de interrupciones y optimización de costos
- Extensión de pipelines con herramientas de trazas o grafos de servicios
- Mejores prácticas para ejecutar y mantener AIOps en producción
Resumen y próximos pasos
Requerimientos
- Experiencia con herramientas de observabilidad como Prometheus o ELK
- Conocimiento práctico de Python y fundamentos del machine learning
- Comprensión de las operaciones de TI y los flujos de trabajo de alertas
Público objetivo
- Ingenieros de fiabilidad de sitios (SRE) de nivel avanzado
- Ingenieros de datos que trabajan en operaciones
- Responsables de plataformas DevOps y arquitectos de infraestructura