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 a AIOps predictivo
- Visión general de la analítica predictiva en operaciones de TI
- Fuentes de datos para predicción (registros, métricas, eventos)
- Conceptos clave en pronóstico de series de tiempo 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
Recolección de datos e ingeniería de características
- Ingesta 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 pipelines operativos
Automatización del análisis de 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 de RCA con tableros conscientes de la topología
Remediación y automatización de flujos de trabajo
- Integración con plataformas de automatización (por ejemplo, Ansible, Rundeck)
- Activación de revertimientos, reinicios o redirección de tráfico
- Auditoría y documentación de intervenciones automatizadas
Escalamiento de pipelines inteligentes de AIOps
- MLOps para observabilidad: reentrenamiento y versionado de modelos
- Ejecución de predicciones en tiempo real en nodos distribuidos
- Mejores prácticas para implementar AIOps en entornos de producción
Estudios de caso y aplicaciones prácticas
- Análisis de datos reales de incidentes utilizando modelos predictivos de AIOps
- Implementación de pipelines de RCA con datos sintéticos y de producción
- Revisión de casos de uso de la industria: interrupciones en la nube, inestabilidad de microservicios y degradación de red
Resumen y próximos pasos
Requerimientos
- Experiencia con sistemas de monitoreo como Prometheus o ELK
- Conocimiento funcional de Python y conceptos básicos de aprendizaje automático
- Familiaridad con flujos de trabajo de gestión de incidentes
Público objetivo
- Ingenieros senior de confiabilidad de sitios (SREs)
- Arquitectos de automatización de TI
- Líderes de plataformas de DevOps y observabilidad
14 Horas
