Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Introducción a AIOps con herramientas de código abierto
- Resumen de los conceptos y beneficios de AIOps
- Prometheus y Grafana en el stack de observabilidad
- El rol de ML en AIOps: analítica predictiva versus reactiva
Configuración de Prometheus y Grafana
- Instalación y configuración de Prometheus para la recopilación de series temporales
- Creación de paneles de control (dashboards) en Grafana utilizando métricas en tiempo real
- Exploración de exportadores, reetiquetado (relabeling) y descubrimiento de servicios
Preprocesamiento de datos para ML
- Extracción y transformación de métricas de Prometheus
- Preparación de conjuntos de datos para la detección de anomalías y la predicción
- Uso de transformaciones de Grafana o pipelines en Python
Aplicación del aprendizaje automático para la detección de anomalías
- Modelos básicos de ML para la detección de valores atípicos (p. ej., Isolation Forest, One-Class SVM)
- Entrenamiento y evaluación de modelos sobre datos de series temporales
- Visualización de anomalías en los paneles de Grafana
Predicción de métricas con ML
- Creación de modelos de pronóstico simples (ARIMA, Prophet, introducción a LSTM)
- Predicción de la carga del sistema o el uso de recursos
- Uso de predicciones para alertas tempranas y decisiones de escalado
Integración de ML con alertas y automatización
- Definición de reglas de alerta basadas en la salida de ML o umbrales
- Uso de Alertmanager y enrutamiento de notificaciones
- Activación de scripts o flujos de trabajo de automatización ante la detección de anomalías
Escala y operación de AIOps
- Integración de herramientas externas de observabilidad (p. ej., stack ELK, Moogsoft, Dynatrace)
- Operacionalización de modelos de ML en pipelines de observabilidad
- Mejores prácticas para AIOps a gran escala
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos de monitoreo de sistemas y observabilidad
- Experiencia en el uso de Grafana o Prometheus
- Conocimiento de Python y principios básicos del aprendizaje automático
Público Objetivo
- Ingenieros de observabilidad
- Equipos de infraestructura y DevOps
- Arquitectos de plataformas de monitoreo e ingenieros de confiabilidad de sitios (SRE)