Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al AIOps predictivo
- Visión general del análisis predictivo en operaciones de TI
- Fuentes de datos para la predicción (registros, métricas, eventos)
- Conceptos clave en la predicción de series temporales y patrones de anomalías
Diseño de modelos de predicción de incidentes
- Etiquetado de incidentes históricos y comportamiento del sistema
- Selección y entrenamiento de modelos (por ejemplo, LSTM, Random Forest, AutoML)
- Evaluación del rendimiento del modelo y manejo de falsos positivos
Recopilación de datos e ingeniería de características
- Ingestión y alineación de datos de registros y métricas para la entrada del modelo
- Extracción de características a partir de datos estructurados y no estructurados
- Manejo de ruido y datos faltantes en las tuberías operativas
Automatización del análisis de la causa raíz (RCA)
- Correlación basada en grafos de servicios e infraestructura
- Uso de aprendizaje automático para inferir causas raíz probables a partir de cadenas de eventos
- Visualización del RCA mediante paneles de control conscientes de la topología
Remediación y automatización de flujos de trabajo
- Integración con plataformas de automatización (por ejemplo, Ansible, Rundeck)
- Ejecución de reversiones, reinicios o redirección de tráfico
- Auditoría y documentación de intervenciones automatizadas
Escalado de tuberías de AIOps inteligentes
- MLOps para observabilidad: reentrenamiento y versionado de modelos
- Ejecución de predicciones en tiempo real a través de nodos distribuidos
- Mejores prácticas para la implementación de AIOps en entornos de producción
Estudios de caso y aplicaciones prácticas
- Análisis de datos de incidentes reales utilizando modelos de AIOps predictivo
- Implementación de tuberías de RCA con datos sintéticos y de producción
- Revisión de casos de uso de la industria: interrupciones en la nube, inestabilidad de microservicios, degradaciones de red
Resumen y próximos pasos
Requerimientos
- Experiencia con sistemas de monitorización como Prometheus o ELK
- Conocimientos prácticos de Python y nociones básicas de aprendizaje automático
- Familiaridad con flujos de trabajo de gestión de incidentes
Audiencia objetivo
- Ingenieros senior de fiabilidad del sitio (SRE)
- Arquitectos de automatización de TI
- Responsables de plataformas DevOps y observabilidad
14 Horas
