Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
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
