Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Durata 14 ore
Struttura del corso
Introduzione ad AIOps con strumenti open source
- Panoramica dei concetti e dei vantaggi di AIOps
- Prometheus e Grafana nello stack di osservabilità
- Dove si inserisce il ML in AIOps: analytics predittive vs. reattive
Configurazione di Prometheus e Grafana
- Installazione e configurazione di Prometheus per la raccolta di serie temporali
- Creazione di dashboard in Grafana utilizzando metriche in tempo reale
- Esplorazione di exporter, relabeling e service discovery
Predisposizione dei dati per il ML
- Estrazione e trasformazione delle metriche di Prometheus
- Preparazione dei dataset per il rilevamento delle anomalie e le previsioni
- Utilizzo delle trasformazioni di Grafana o pipeline in Python
Applicazione del Machine Learning per il rilevamento delle anomalie
- Modelli ML base per il rilevamento degli outlier (es. Isolation Forest, One-Class SVM)
- Addestramento ed evaluation dei modelli su dati di serie temporali
- Visualizzazione delle anomalie nelle dashboard di Grafana
Previsione delle metriche con il ML
- Costruzione di semplici modelli di previsione (ARIMA, Prophet, introduzione a LSTM)
- Previsione del carico di sistema o dell'utilizzo delle risorse
- Utilizzo delle previsioni per allerte anticipate e decisioni di scaling
Integrazione del ML con allerte e automazione
- Definizione di regole di allerta basate su output ML o soglie
- Utilizzo di Alertmanager e instradamento delle notifiche
- Attivazione di script o workflow di automazione in caso di rilevamento di anomalie
Scalabilità e operativa di AIOps
- Integrazione di strumenti di osservabilità esterni (es. stack ELK, Moogsoft, Dynatrace)
- Operativizzazione dei modelli ML nelle pipeline di osservabilità
- Best practice per AIOps su larga scala
Riepilogo e prossimi passi
Requisiti
- Comprensione dei concetti di monitoraggio dei sistemi e osservabilità
- Esperienza nell'uso di Grafana o Prometheus
- Familiarità con Python e principi base del machine learning
Target
- Ingegneri dell'osservabilità
- Team di infrastruttura e DevOps
- Architetti di piattaforme di monitoraggio e ingegneri della affidabilità del sito (SRE)