Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Doba trvání 14 hodiny
Návrh Školení
Úvod do AIOps s otevřeným zdrojem
- Přehled konceptů a výhod AIOps
- Role Prometheusu a Grafany v observability stacku
- Pozice strojového učení v AIOps: prediktivní versus reaktivní analýzy
Nastavení Prometheusu a Grafany
- Instalace a konfigurace Prometheusu pro sběr časových řad
- Vytváření přehledů (dashboards) v Grafaně pomocí metrik v reálném čase
- Průzkum exportérů, přejmenovávání (relabeling) a objevování služeb (service discovery)
Předzpracování dat pro ML
- Extrakce a transformace metrik Prometheusu
- Příprava datových sad pro detekci anomalií a predikci
- Použití transformací v Grafaně nebo Python pipeline
Aplikace strojového učení pro detekci anomalií
- Základní ML modely pro detekci odlehlých hodnot (např. Isolation Forest, One-Class SVM)
- Trénování a evaluace modelů na datech časových řad
- Vizualizace anomalií v přehledech Grafany
Predikce metrik pomocí ML
- Vytváření jednoduchých prediktivních modelů (ARIMA, Prophet, úvod do LSTM)
- Predikce zatížení systému nebo využití zdrojů
- Použití predikcí pro včasné alarmování a rozhodnutí o škálování
Integrace ML s alarmováním a automatizací
- Definice pravidel alarmování na základě výstupu ML nebo prahových hodnot
- Použití Alertmanageru a směrování oznámení
- Spuštění skriptů nebo automatizovaných workflow při detekci anomalií
Škálování a operationalizace AIOps
- Integrace externích nástrojů pro observabilitu (např. ELK stack, Moogsoft, Dynatrace)
- Operacionalizace ML modelů v observability pipeline
- Dobré praktiky pro AIOps ve velkém měřítku
Shrnutí a další kroky
Požadavky
- Chápení konceptů monitorování systémů a observability
- Zkušenosti s používáním Grafany nebo Prometheusu
- Poznání jazyka Python a základních principů strojového učení
Cílová skupina
- Ingové specializující se na observabilitu
- Tímy infrastruktury a DevOpsu
- Architektové monitorovacích platforem a inženýři spolehlivosti webu (SRE)