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
El panorama de la observabilidad con IA
- De los paneles de control a las conversaciones: el cambio hacia una observabilidad aumentada por IA
- Capacidades de LLM relevantes para la observabilidad: resumen, razonamiento y coincidencia de patrones
- Patrones de arquitectura: integración de IA en pilas de observabilidad existentes
Consulta de telemetría con lenguaje natural
- De texto a PromQL: traducción de lenguaje natural a consultas de monitoreo
- Consultas en lenguaje natural para almacenes de registros de Elasticsearch, OpenSearch y Loki
- Generación de SQL a partir de lenguaje natural para telemetría estructurada
- Construcción de un agente asistente de consultas con uso de herramientas y conciencia contextual
Análisis de registros potenciado por LLM
- Análisis y estructuración automática de registros con LLM
- Detección de anomalías en flujos de registros mediante similitud de incrustaciones (embeddings)
- Agrupación de registros y descubrimiento de patrones a gran escala
- Generación de explicaciones legibles por humanos a partir de secuencias de registros en bruto
Alertas inteligentes y enriquecimiento de incidentes
- Correlación y deduplicación de alertas con comprensión semántica
- Recolección automatizada de contexto de incidentes a partir de manuales de operación, incidentes anteriores y documentación
- Enrutamiento inteligente de alertas basado en la comprensión del contenido y la experiencia del equipo
- Reducción de la fatiga de alertas mediante la reducción de ruido impulsada por IA
Análisis de causa raíz asistido por IA
- Generación de hipótesis a partir de la correlación de telemetría multi-fuente
- Cadena de evidencias: conexión de síntomas entre métricas, registros y trazas
- Troubleshooting guiado con sesiones interactivas de diagnóstico por IA
- Construcción de un agente de análisis de causa raíz con investigación progresiva
Respuesta automática a incidentes y comunicación
- Generación de resúmenes de incidentes y actualizaciones de estado a partir de telemetría
- Redacción automatizada de post-mortem con reconstrucción de línea de tiempo
- Comunicación con partes interesadas adaptada a audiencias técnicas y ejecutivas
- Sugerencias de manuales de operación y recomendaciones de remediación automática
Machine Learning para observabilidad
- Pronóstico de series temporales para la planificación de capacidad y predicción de anomalías
- Modelos fundamentales para la detección de anomalías sin entrenamiento previo (zero-shot) en métricas
- Mapeo de dependencias de servicios y descubrimiento de topología basados en incrustaciones (embeddings)
- Entrenamiento y despliegue de modelos ligeros de ML junto a los pipelines de observabilidad
Despliegue en producción y ética
- Consideraciones de latencia y costos para la observabilidad en tiempo real con IA
- Privacidad de datos: asegurar que los LLM no filtren telemetría sensible
- Supervisión humana: cuándo el diagnóstico por IA requiere validación por un operador
- Medición del impacto: métricas de MTTD, MTTR y experiencia de guardia (on-call)
Requerimientos
- Experiencia con herramientas de observabilidad como Prometheus, Grafana, Datadog u OpenTelemetry.
- Familiaridad con conceptos de gestión de registros y métricas.
- Conocimientos básicos de scripting en Python para procesamiento de datos.
Audiencia objetivo
- Ingenieros de SRE y observabilidad que adoptan herramientas mejoradas con IA.
- Ingenieros de plataforma que construyen pipelines de monitoreo de próxima generación.
- Líderes de DevOps que evalúan la integración de LLM en flujos de trabajo de incidentes.
14 Horas
