Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
Úvod do AIOps s otevřenými zdroji
- Přehled konceptů a výhod AIOps
- Prometheus a Grafana ve stope přezkoumání
- Kde se umisťuje ML v AIOps: prediktivní vs. reaktivní analýza
Nastavení Prometheus a Grafana
- Instalace a konfigurace Prometheus pro sběr časových řad
- Vytváření dashboards v Grafana pomocí reálných metrik
- Průzkum exportérů, přepisování a objevování služeb
Předzpracování dat pro ML
- Extrahování a transformace metrik Prometheus
- Příprava datasetů na odhalení anomálií a předvídání
- Použití transformací v Grafana nebo Python potrubích
Aplikace Machine Learning pro detekci anomálií
- Základní ML modely pro detekci odchylek (např. Isolation Forest, One-Class SVM)
- Trénování a hodnocení modelů na časových řadách
- Vizualizace anomálií v dashboardech Grafana
Metriky s ML pro Forecasting
- Vytváření jednoduchých modelů předvídání (ARIMA, Prophet, úvod do LSTM)
- Předvídat zatížení systému nebo využití zdrojů
- Používání předpovědí pro dřívější varování a rozhodnutí o škálování
Integrace ML s varováním a automatickými akcemi
- Definice pravidel varování na základě výstupu ML nebo prahů
- Použití Alertmanageru a směrování oznámení
- Spouštění skriptů nebo pracovních řad automatizace po detekci anomálií
škálování a operacionalizace AIOps
- Integrace externích nástrojů pro přezkoumání (např. ELK stack, Moogsoft, Dynatrace)
- Operacionalizace ML modelů v potrubích přezkoumání
- Nejlepší postupy pro AIOps na škále
Shrnutí a další kroky
Požadavky
- Přehled konceptů monitorování systémů a přezíravosti (observability)
- Zkušenost s používáním Grafana nebo Prometheus
- Znalost Python a základních principů strojového učení
Cílová skupina
- Inženýři pro přezíravost (observability engineers)
- Týmy infrastruktury a DevOps
- Architekti monitoringových platform a inženýři zajištění spolehlivosti systémů (SREs)
14 hodiny
