Contattataci
 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)

Numero di Partecipanti


Prezzo per partecipante

Corsi in Arrivo

Categorie relative