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.
Struttura del corso
Introduzione ad AIOps con strumenti open source
- Panoramica sui concetti fondamentali e i vantaggi di AIOps
- Il ruolo di Prometheus e Grafana all’interno della piattaforma di osservabilità
- L’inserimento del machine learning in AIOps: analisi predittive rispetto a quelle reattive
Configurazione di Prometheus e Grafana
- Installazione e configurazione di Prometheus per la raccolta dei dati temporali
- Creazione di dashboard in Grafana utilizzando metriche in tempo reale
- Approfondimento sugli exporter, sul ridenominamento dei dati e sulla ricerca automatica dei servizi
Pre-elaborazione dei dati per l’applicazione del machine learning
- Estrazione e trasformazione delle metriche provenienti da Prometheus
- Preparazione dei set di dati necessari al rilevamento anomalie e alla previsione futura
- Utilizzo delle trasformazioni offerte da Grafana o degli script Python per la gestione dei dati
Applicazione del machine learning al rilevamento di anomalie
- Modelli base di apprendimento automatico per il riconoscimento degli outlier (ad esempio Isolation Forest, One-Class SVM)
- Addestramento e valutazione dei modelli su sequenze temporali
- Visualizzazione delle anomalie individuate all’interno delle dashboard di Grafana
Previsione dei valori metrici mediante tecniche di machine learning
- Sviluppo di modelli predittivi semplici (ad esempio ARIMA, Prophet, introduzione ai modelli LSTM)
- Stima del carico sui sistemi e dell’utilizzo delle risorse informatiche
- Utilizzo delle previsioni per l’attivazione anticipata di allarmi o per pianificare opportunamente i miglioramenti infrastrutturali
Integrazione del machine learning nei sistemi di allerta e nell’automazione operativa
- Definizione di regole di allerta basate sui risultati o sugli indici forniti dal modello predittivo
- Configurazione di Alertmanager e delle corrette rotte di notifica
- Attivazione automatica di script o flussi operativi nel caso in cui si rilevino anomalie critiche
Scalabilità e implementazione pratica di AIOps
- Integrazione con strumenti terzi dedicati all’osservabilità (ad esempio stack ELK, Moogsoft, Dynatrace)
- Integrazione dei modelli di machine learning nei flussi operativi di monitoraggio
- Linee guida e best practice per un’implementazione efficiente di AIOps su larga scala
Conclusioni e prossimi passi da intraprendere
Requisiti
- Conoscenza dei concetti fondamentali di monitoraggio e osservabilità
- Esperienza pratica nell’utilizzo di Grafana o Prometheus
- Buona dimestichezza con il linguaggio Python e i principi base del machine learning
Destinatari
- Ingegneri dell’osservabilità
- Team di infrastrutture e DevOps
- Architetti di piattaforme di monitoraggio ed esperti di affidabilità dei sistemi (SRE)
14 ore