Curso de Implementando AIOps com Prometheus, Grafana e ML

Introdução ao AIOps com Ferramentas de Código Aberto

• Visão geral dos conceitos e benefícios do AIOps
• Prometheus e Grafana no stack de observabilidade
• Onde o ML se encaixa no AIOps: analítica preditiva vs. reativa

Configurando Prometheus e Grafana

• Instalação e configuração do Prometheus para coleta de séries temporais
• Criação de 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 previsões
• Uso das transformações do Grafana ou pipelines em Python

Aplicando Aprendizado de Máquina para Detecção de Anomalias

• Modelos básicos de ML para detecção de outliers (ex.: Isolation Forest, One-Class SVM)
• Treinamento e avaliação de modelos em dados de séries temporais
• Visualização de anomalias em dashboards do Grafana

Previsão de Métricas com ML

• Construção de modelos simples de previsão (ARIMA, Prophet, introdução ao LSTM)
• Previsão de carga do sistema ou uso de recursos
• Uso de previsões para alertas antecipados e decisões de escala

Integrando ML com Alertas e Automação

• Definição de regras de alerta baseadas na saída de ML ou em limites predefinidos
• Uso do Alertmanager e roteamento de notificações
• Gatilho de scripts ou fluxos de automação ao detectar anomalias

Escalando e Operacionalizando AIOps

• Integração de ferramentas externas de observabilidade (ex.: stack ELK, Moogsoft, Dynatrace)
• Operacionalização de modelos de ML em pipelines de observabilidade
• Boas práticas para AIOps em larga escala

Resumo e Próximos Passos