Návrh Školení
Úvod do AIOps
Původy a vývoj AIOps
Důležitost AIOps ve srovnání s moderní IT
AIOps vs. IT Operations Analytics – klíčové rozdíly
Kerní technologie a koncepty
Cyklus životnosti systému AIOps
Související praktiky a metodologie
AIOps v kontextu organizace
Klíčové motivátory a ovlivňující faktory
Integrace s DevOps
Role AIOps v Site Reliability Engineering (SRE)
AIOps a záležitosti IT bezpečnosti
Data, telemetrie a komplexita systému
Nový paradigmatický přístup k porozumění stavu systému
Kerní technologie – Data
Co je Big Data?
Pět V's v Big Data
Charakteristiky Big Data v AIOps
Zdroje a typy dat ve prostředí AIOps
Diverzita dat a výzvy při jejich zpracování
Kerní technologie – Machine Learning (ML)
AI, ML a jejich role v AIOps
Srovnání řízeného s neurčitým učením v AIOps
Porovnání strojového učení s tradiční analýzou
Strojová učení modely a jejich aplikace v AIOps
Budoucnost AI ve správě IT operací
Porovnání ML s přístupy datové analýzy
AIOps a operativní metriky
Klíčové operativní metriky pro IT prostředí
Důležité indikátory po celém systému
SLA, SLO a KPI – definice a použití
Metriky související s incidenty: detekce a klasifikace
Časové metriky: MTTD, MTBF, MTTA, MTTR
Správa dohod o úrovni služeb
Use Case a změna organizačního postoje
Od reaktivních k proaktivním operacím
Charakteristiky modelu reaktivních IT operací
Přechod od deterministických k pravděpodobnostním přístupům
Skutečné užití AIOps v praxi
Organizační změny vyvolané AIOps
Porozumění minulosti, predikce budoucnosti
Měření dopadu AIOps
Klíčové metriky AIOps pro IT operace
Synergie mezi AIOps, DevOps a SRE
Zlepšení přesnosti AI prostřednictvím AIOps
Posílení pozorovatelnosti systému
Sledování dopadu AIOps na operace
Spojení metrik AIOps s indikátory DORA
Implementace AIOps v organizaci
Zakročení proti běžným pastem
Etičnost a strojové učení v AIOps
Cesty a strategie implementace
Kvalita dat a shoda procesů
Organizační kultura a podporující praktiky
Dátová regulace a soulad
Zvládnutí chyb modelů strojového učení
SOUKROMÍ A ZAŠÍTENÍ UŽIVATELSKÝCH DAT
Požadavky
Základní znalosti IT terminologie a zkušenosti s právě informačními technologiemi.
Reference (1)
Bylo zde mnoho praktických cvičení, která prováděl a pomáhal s nimi trénér.
Aleksandra - Fundacja PTA
Kurz - Mastering Make: Advanced Workflow Automation and Optimization
Machine Translated