Ponte en Contacto
 Duración 14 horas

Temario del curso

Introducción a AIOps con herramientas de código abierto

  • Vista general de los conceptos y beneficios de AIOps.
  • Prometheus y Grafana en el stack de observabilidad.
  • El papel del ML en AIOps: analítica predictiva vs. reactiva.

Configuración de Prometheus y Grafana

  • Instalación y configuración de Prometheus para la recopilación de series temporales.
  • Creación de tableros (dashboards) en Grafana utilizando métricas en tiempo real.
  • Exploración de exportadores, reetiquetado (relabeling) y descubrimiento de servicios.

Preprocesamiento de datos para ML

  • Extracción y transformación de métricas de Prometheus.
  • Preparación de conjuntos de datos para la detección de anomalías y la previsión.
  • Uso de transformaciones de Grafana o pipelines de Python.

Aplicación de machine learning para la detección de anomalías

  • Modelos básicos de ML para la detección de valores atípicos (p. ej., Isolation Forest, One-Class SVM).
  • Entrenamiento y evaluación de modelos con datos de series temporales.
  • Visualización de anomalías en los tableros de Grafana.

Previsión de métricas con ML

  • Construcción de modelos de previsión simples (ARIMA, Prophet, introducción a LSTM).
  • Predicción de la carga del sistema o el uso de recursos.
  • Uso de predicciones para alertas tempranas y decisiones de escalado.

Integración de ML con alertas y automatización

  • Definición de reglas de alerta basadas en la salida de ML o umbrales.
  • Uso de Alertmanager y enrutamiento de notificaciones.
  • Activación de scripts o flujos de trabajo de automatización ante la detección de anomalías.

Escala y operacionalización de AIOps

  • Integración de herramientas externas de observabilidad (p. ej., stack ELK, Moogsoft, Dynatrace).
  • Operacionalización de modelos de ML en pipelines de observabilidad.
  • Prácticas recomendadas para AIOps a gran escala.

Resumen y próximos pasos

Requerimientos

  • Comprensión de los conceptos de monitoreo de sistemas y observabilidad.
  • Experiencia en el uso de Grafana o Prometheus.
  • Conocimiento de Python y principios básicos de machine learning.

Público objetivo

  • Ingenieros de observabilidad.
  • Equipos de infraestructura y DevOps.
  • Arquitectos de plataformas de monitoreo e ingenieros de confiabilidad del sitio (SRE).

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas