Corso di formazione Implementare AIOps con Prometheus, Grafana e ML

Introduzione ad AIOps con strumenti open source

• Panoramica dei concetti e dei vantaggi di AIOps
• Prometheus e Grafana nello stack di osservabilità
• Dove il ML si inserisce in AIOps: analisi predittiva vs. reattiva

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

Preprocessing dei dati per il ML

• Estrazione e trasformazione delle metriche Prometheus
• Preparazione di dataset per il rilevamento delle anomalie e le previsioni
• Utilizzo delle trasformazioni di Grafana o pipeline Python

Applicazione del machine learning per il rilevamento delle anomalie

• Modelli ML di base per il rilevamento di outlier (es. Isolation Forest, One-Class SVM)
• Addestramento e valutazione dei modelli su dati in serie temporali
• Visualizzazione delle anomalie nelle dashboard di Grafana

Previsione delle metriche con ML

• Costruzione di modelli di previsione semplici (ARIMA, Prophet, introduzione alle LSTM)
• Previsione del carico di sistema o dell'utilizzo delle risorse
• Utilizzo delle previsioni per allertamenti anticipati e decisioni di scaling

Integrazione del ML con allertamento e automazione

• Definizione di regole di allertamento basate sull'output ML o su soglie
• Utilizzo di Alertmanager e routing delle notifiche
• Attivazione di script o flussi di lavoro di automazione al rilevamento di anomalie

Scaling e operazionalizzazione di AIOps

• Integrazione di strumenti di osservabilità esterni (es. stack ELK, Moogsoft, Dynatrace)
• Operazionalizzazione dei modelli ML nelle pipeline di osservabilità
• Best practice per AIOps su larga scala

Riepilogo e prossimi passi