Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao AIOps com Ferramentas de Código Aberto
- Visão geral dos conceitos e benefícios do AIOps.
- Prometheus e Grafana na pilha de observabilidade.
- Onde o ML se encaixa no AIOps: análise preditiva versus reativa.
Configurando Prometheus e Grafana
- Instalando e configurando o Prometheus para coleta de séries temporais.
- Criando dashboards no Grafana usando métricas em tempo real.
- Explorando exporters, relabeling e descoberta de serviços.
Pré-processamento de Dados para ML
- Extração e transformação de métricas do Prometheus.
- Preparação de conjuntos de dados para detecção de anomalias e previsão.
- Uso das transformações do Grafana ou pipelines Python.
Aplicando Aprendizado de Máquina para Detecção de Anomalias
- Modelos básicos de ML para detecção de outliers (por exemplo, Isolation Forest, One-Class SVM).
- Treinamento e avaliação de modelos em dados de série temporal.
- Visualização de anomalias em dashboards do Grafana.
Previsão de Métricas com ML
- Construção de modelos simples de previsão (introdução ao ARIMA, Prophet e LSTM).
- Previsão de carga do sistema ou uso de recursos.
- Uso de previsões para alertas antecipados e decisões de escalonamento.
Integrando ML com Alertas e Automação
- Definição de regras de alerta com base na saída do ML ou limiares.
- Uso do Alertmanager e roteamento de notificações.
- Gatilhos de scripts ou fluxos de trabalho de automação na detecção de anomalias.
Escalonamento e Operacionalização do AIOps
- Integração de ferramentas externas de observabilidade (por exemplo, ELK stack, Moogsoft, Dynatrace).
- Operacionalização de modelos de ML em pipelines de observabilidade.
- Melhores práticas para AIOps em escala.
Resumo e Próximos Passos
Requisitos
- Compreensão dos conceitos de monitoramento de sistemas e observabilidade.
- Experiência com Grafana ou Prometheus.
- Familiaridade com Python e princípios básicos de aprendizado de máquina.
Público-Alvo
- Engenheiros de observabilidade.
- Equipes de infraestrutura e DevOps.
- Arquitetos de plataformas de monitoramento e engenheiros de confiabilidade do site (SREs).
14 Horas
