Ponte en Contacto
 Duración 14 horas

Temario del curso

Diseño de una arquitectura de AIOps abierta

  • Resumen de los componentes clave en los pipelines de AIOps abiertos
  • Flujo de datos desde la ingesta hasta la generación de alertas
  • Comparación de herramientas y estrategia de integración

Recopilación y agregación de datos

  • Ingesta de datos de series temporales con Prometheus
  • Captura de registros (logs) con Logstash y Beats
  • Normalización de datos para correlación entre fuentes

Construcción de tableros de observabilidad

  • Visualización de métricas con Grafana
  • Creación de tableros en Kibana para el análisis de registros
  • Uso de consultas de Elasticsearch para extraer información operativa

Detección de anomalías y predicción de incidentes

  • Exportación de datos de observabilidad a pipelines de Python
  • Entrenamiento de modelos de ML para la detección de valores atípicos y la previsión
  • Despliegue de modelos para inferencia en vivo dentro del pipeline de observabilidad

Alertas y automatización con herramientas abiertas

  • Creación de reglas de alerta de Prometheus y enrutamiento de Alertmanager
  • Activación de scripts o flujos de trabajo de API para la respuesta automática
  • Uso de herramientas de orquestación de código abierto (por ejemplo, Ansible, Rundeck)

Consideraciones de integración y escalabilidad

  • Gestión de la ingesta de alto volumen y la retención a largo plazo
  • Seguridad y control de acceso en los stacks de código abierto
  • Escala de cada capa de forma independiente: ingesta, procesamiento, alertas

Aplicaciones y extensiones del mundo real

  • Estudios de caso: optimización del rendimiento, prevención de tiempos de inactividad y optimización de costos
  • Extensión de pipelines con herramientas de trazas o grafos de servicios
  • Mejores prácticas para ejecutar y mantener AIOps en producción

Resumen y próximos pasos

Requerimientos

  • Experiencia con herramientas de observabilidad como Prometheus o ELK
  • Conocimiento práctico de Python y fundamentos de aprendizaje automático (machine learning)
  • Comprensión de las operaciones de TI y los flujos de trabajo de alertas

Público objetivo

  • Ingenieros de confiabilidad del sitio (SRE) avanzados
  • Ingenieros de datos que trabajan en operaciones
  • Líderes de plataformas DevOps y arquitectos de infraestructura

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas