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 pipelines de AIOps abiertos
- Flujo de datos desde la ingesta hasta la 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
Creación de tableros de observabilidad
- Visualización de métricas con Grafana
- Construcción de tableros de 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
- Implementación de modelos para inferencia en vivo en el pipeline de observabilidad
Alertas y automatización con herramientas abiertas
- Creación de reglas de alerta 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
- Escalar cada capa de forma independiente: ingesta, procesamiento, alertas
Aplicaciones y extensiones del mundo real
- Estudios de caso: ajuste de rendimiento, prevención de tiempo de inactividad y optimización de costos
- Extensión de pipelines con herramientas de trazas o gráficos de servicios
- Buenas prácticas para la ejecución y el mantenimiento de AIOps en producción
Resumen y próximos pasos
Requerimientos
- Experiencia con herramientas de observabilidad como Prometheus o ELK
- Conocimiento práctico de Python y fundamentos del aprendizaje automático
- Comprensión de las operaciones de TI y los flujos de trabajo de alertas
Público objetivo
- Ingenieros de confiabilidad de sitios (SREs) avanzados
- Ingenieros de datos que trabajan en operaciones
- Líderes de plataformas DevOps y arquitectos de infraestructura