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
Diseño de una arquitectura abierta para AIOps
- Visión general de los componentes clave en las pipelines de AIOps de código abierto.
- Flujo de datos desde la ingestión hasta la generación de alertas.
- Comparación de herramientas y estrategia de integración.
Recolección y agregación de datos
- Ingestión de datos de series temporales con Prometheus.
- Captura de registros (logs) con Logstash y Beats.
- Normalización de datos para la correlación entre múltiples fuentes.
Construcción de paneles de observabilidad
- Visualización de métricas con Grafana.
- Creación de paneles en Kibana para el análisis de registros.
- Uso de consultas en Elasticsearch para obtener insights operativos.
Detección de anomalías y predicción de incidentes
- Exportación de datos de observabilidad a pipelines en Python.
- Entrenamiento de modelos de aprendizaje automático para la detección de valores atípicos y la previsión.
- Despliegue de modelos para inferencia en tiempo real dentro del pipeline de observabilidad.
Alertas y automatización con herramientas de código abierto
- Creación de reglas de alerta en Prometheus y configuración de enrutamiento con Alertmanager.
- Ejecución de scripts o flujos de trabajo de API para respuestas automáticas.
- Uso de herramientas de orquestación de código abierto (por ejemplo, Ansible, Rundeck).
Consideraciones de integración y escalabilidad
- Manejo de ingestión de alto volumen y retención a largo plazo.
- Seguridad y control de acceso en pilas de código abierto.
- Escalado independiente de cada capa: ingestión, procesamiento y alertas.
Aplicaciones del mundo real y extensiones
- Estudios de caso: optimización del rendimiento, prevención de tiempos de inactividad y optimización de costos.
- Extensión de pipelines con herramientas de rastreo (tracing) o gráficos de servicios.
- Mejores prácticas para operar y mantener AIOps en entornos de producción.
Resumen y próximos pasos
Requerimientos
- Experiencia con herramientas de observabilidad como Prometheus o ELK.
- Conocimientos prácticos de Python y fundamentos del aprendizaje automático.
- Comprensión de las operaciones de TI y los flujos de trabajo de alertas.
Público objetivo
- Ingenieros avanzados de confiabilidad del sitio (SREs).
- Ingenieros de datos que trabajan en el área de operaciones.
- Líderes de plataformas DevOps y arquitectos de infraestructura.
14 Horas
