Návrh Školení
Úvod do AIOps
Vznik a vývoj AIOps
Význam AIOps v současném IT prostředí
AIOps versus analytika provozu IT – hlavní rozdíly
Klíčové technologie a koncepty
Životní cyklus systémů AIOps
Související postupy a metodiky
AIOps v organizačním kontextu
Hlavní hnací síly a ovlivňující faktory
Integrace s metodikami DevOps
Role AIOps v inženýrství spolehlivosti služeb (SRE)
Souvislosti mezi AIOps a bezpečností IT
Data, telemetrie a komplexita systémů
Nový přístup k hodnocení zdravotního stavu systémů
Klíčové technologie – Data
Co je velká data (Big Data)?
Pět charakteristik velkých dat
Vlastnosti velkých dat v kontextu AIOps
Zdroje a typy dat v prostředích AIOps
Rozmanitost dat a výzvy spojené s jejich zpracováním
Klíčové technologie – Strojové učení (ML)
Umělá inteligence, strojové učení a jejich uplatnění v AIOps
Supervizované versus nesupervizované učení v kontextu AIOps
Strojové učení oproti tradiční analytice
Modely strojového učení a jejich praktické využití v AIOps
Budoucnost umělé inteligence v provozu IT
Porovnání strojového učení s běžnými metodami analýzy dat
AIOps a operační metriky
Hlavní provozní ukazatele v IT prostředí
Důležité indikátory pro různé typy systémů
SLA, SLO a KPI – definice a použití
Metriky související s incidenty: jejich detekce a klasifikace
Časové metriky: MTTD, MTBF, MTTA a MTTR
Správa smluvních standardů kvality služeb
Příklady využití a posun v myšlení organizací
Přechod od reaktivního k proaktivnímu provozu IT
Charakteristiky tradičního modelu reaktivního provozu IT
Přechod od deterministických k pravděpodobnostním přístupům
Reálné příklady využití AIOps
Organizační změny vyvolané zaváděním AIOps
Porozumění minulosti a předvídání budoucnosti
Měření dopadu AIOps
Klíčové metriky AIOps pro provoz IT systémů
Vzájemná součinnost mezi AIOps, DevOps a inženýrstvím spolehlivosti služeb (SRE)
Zvyšování přesnosti umělé inteligence díky AIOps
Zlepšování pozorovatelnosti systémů
Sledování vlivu AIOps na provoz IT
Propojení metrik AIOps s indikátory DORA
Implementace AIOps v organizaci
Jak se vyhnout běžným chybám při zavádění AIOps
Etika a strojové učení v kontextu AIOps
Možné cesty a strategie implementace
Kvalita dat a sladění procesů
Organizační kultura a podpůrné praktiky
Předpisy týkající se ochrany dat a jejich soulad s legislativou
Řešení chyb v modelech strojového učení
Ochrana soukromí a osobních údajů uživatelů
Požadavky
Základní znalost IT terminologie a praktické zkušenosti s informačními technologiemi.
Reference (2)
Craig byl extrémně zapojen do školení, vždy se ujistil, že jsme soustředění, přizpůsobil příklady našim každodenním aktivitám a pokaždé poskytl odpověď, když jsme se zeptali, i když informace nebyly zahrnuty do prezentace.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Kurz - DevOps Foundation®
Přeloženo strojem
Vysoký stupeň závazku a znalostí trenéra
Jacek - Softsystem
Kurz - DevOps Engineering Foundation (DOEF)®
Přeloženo strojem
