Contattataci

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

Numero di Partecipanti


Prezzo per partecipante

Corsi in Arrivo

Categorie relative