Ponte en Contacto

Temario del curso

El panorama de la observabilidad con IA

  • De paneles de control a conversaciones: el cambio hacia una observabilidad aumentada por IA
  • Capacidades de LLM relevantes para la observabilidad: resumen, razonamiento, coincidencia de patrones
  • Patrones de arquitectura: integración de IA en pilas de observabilidad existentes

Consultas de telemetría con lenguaje natural

  • De texto a PromQL: traducción de lenguaje natural a consultas de monitoreo
  • Consultas en NL para almacenes de registros de Elasticsearch, OpenSearch y Loki
  • Generación de SQL a partir de lenguaje natural para telemetría estructurada
  • Construcción de un agente asistente de consultas con uso de herramientas y conciencia contextual

Análisis de registros potenciado por LLM

  • Parseo automatizado y estructuración de registros mediante LLM
  • Detección de anomalías en flujos de registros utilizando similitud de incrustaciones (embeddings)
  • Agrupación de registros y descubrimiento de patrones a gran escala
  • Generación de explicaciones legibles por humanos a partir de secuencias de registros crudos

Alertas inteligentes y enriquecimiento de incidentes

  • Correlación y deduplicación de alertas con comprensión semántica
  • Recolección automatizada del contexto del incidente a partir de playbooks, incidentes pasados y documentación
  • Ruteo inteligente de alertas basado en la comprensión del contenido y la experiencia del equipo
  • Reducción de la fatiga por alertas mediante reducción de ruido impulsada por IA

Análisis de causa raíz asistido por IA

  • Generación de hipótesis a partir de la correlación de telemetría multifuente
  • Encadenamiento de evidencias: conexión de síntomas entre métricas, registros y trazas
  • Solucionar problemas guiados con sesiones de diagnóstico de IA interactivas
  • Construcción de un agente de análisis de causa raíz con investigación progresiva

Respuesta automatizada a incidentes y comunicación

  • Generación de resúmenes de incidentes y actualizaciones de estado a partir de datos de telemetría
  • Borrado automático de informes de causas raíz con reconstrucción cronológica
  • Comunicación adaptada para audiencias técnicas y ejecutivas
  • Sugerencias de playbooks y recomendaciones de remediación automatizada

ML para observabilidad

  • Pronóstico de series temporales para planificación de capacidad y predicción de anomalías
  • Modelos fundamentales para la detección de anomalías sin ejemplo previo (zero-shot) en métricas
  • Mapeo de dependencias de servicios y descubrimiento de topología basados en incrustaciones (embeddings)
  • Entrenamiento e implementación de modelos de ML ligeros junto a los pipelines de observabilidad

Implementación en producción y ética

  • Consideraciones de latencia y costo para la observabilidad en tiempo real con IA
  • Privacidad de datos: garantizar que los LLM no filtren telemetría sensible
  • Vigilancia humana: cuándo el diagnóstico por IA requiere validación por parte del operador
  • Medición del impacto: métricas de MTTD, MTTR y experiencia de guardia (on-call)

Requerimientos

  • Experiencia con herramientas de observabilidad como Prometheus, Grafana, Datadog u OpenTelemetry.
  • Familiaridad con los conceptos de gestión de registros y métricas.
  • Conocimientos básicos de scripting en Python para el procesamiento de datos.

Público objetivo

  • Ingenieros SRE y de observabilidad que adoptan herramientas mejoradas con IA.
  • Ingenieros de plataforma que construyen pipelines de monitoreo de nueva generación.
  • Líderes de DevOps que evalúan la integración de LLM en los flujos de trabajo de gestión de incidentes.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas