Lépjen kapcsolatba velünk

Kurzusleírás

Az AI-megfigyelhetőség tájképe

  • Irányítópultoktól a beszélgetésekig: az átállás az AI-alapú megfigyelhetőségre
  • LLM-képességek, amelyek relevánsak a megfigyelhetőség szempontjából: összefoglalás, érvelés, mintázatkeresés
  • Architektúra-patternek: az AI beágyazása a meglévő megfigyelhetőségi veremben

Nyelvi telemetriai lekérdezések

  • Text-to-PromQL: természetes nyelvű kifejezések fordítása monitorozási lekérdezésekké
  • Nyelvesz-es alapú Elasticsearch, OpenSearch és Loki naplótárolók lekérdezése
  • SQL-generálás természetes nyelvből strukturált telemetriához
  • Lekérdezőasszisztens ügynök fejlesztése eszközház-használattal és kontextusérzékeléssel

LLM-ek által működtetett naplóelemzés

  • Naplok automatikus feldolgozása és strukturálása LLM-ekkel
  • Anomáliadetektálás a naplófolyamban beágyazás-hasonlóság alapján
  • Naplók klaszterezése és mintázatfelfedezés nagy skálán
  • Emberek számára olvasható magyarázatok generálása nyers napló szekvenciákból

Intelligens értesítés és incidensgazdagítás

  • Értesítések korrelációja és deduplikálása szemantikai megértéssel
  • Incidenskontextus automatikus gyűjtése futáskönyvekből, korábbi incidensekből és dokumentumokból
  • Okos értesítési továbbítás tartalomérzékelés és csapatkompetencia alapján
  • Az értesítési fáradtság csökkentése AI-alapú zajszűréssel

AI-alapú okkutatás

  • Feltételek generálása többforrású telemetriai korrelációból
  • Bizonylánc: tünetek összekapcsolása metrikák, naplók és nyomkövetések között
  • Vezetett hibaelhárítás interaktív AI-diagnózis munkamenetekkel
  • Okkutatási ügynök fejlesztése fokozatos kivizsgálással

Automatikus incidenskezelés és kommunikáció

  • Incidensösszefoglalók és állapotfrissítések generálása telemetriából
  • Automatikus poszt-mortem tervezet idővonal-rekonstrukcióval
  • A résztvevők igényeihez igazított tájékoztatás műszaki és vezetési szintű közönség számára
  • Futáskönyv-javaslatok és automatikus javítási ajánlások

ML a megfigyelhetőségben

  • Idősor-előrejelzés kapacitatervezéshez és anomáliamegjósoláshoz
  • Alaphmodellek alkalmazása nulla lövéses anomáliadetektálásra metrikák alapján
  • Beágyazás-alapú szolgáltatásfüggőségi térképalkotás és topológiakeresés
  • Könnyű ML-modellek betanítása és telepítése a megfigyelhetőségi rendszerek mellett

Termelésbe helyezés és etika

  • Látenciával és költségekkel kapcsolatos szempontok valós idejű AI-megfigyelhetőségi rendszerek esetén
  • Adatvédelem: biztosítás arról, hogy az LLM-ek ne szivárogtassanak ki érzékeny telemetriai adatokat
  • Emberi felügyelet: amikor az AI-diagnózist operátor-változtatás igényel
  • Mérhető hatás: MTTD, MTTR és ügyfélszolgálati élmény mutatók

Követelmények

  • Tapasztalat a Prometheus, Grafana, Datadog vagy OpenTelemetry megfigyelő eszközök használatában.
  • Naplózáskezelési és metrika-koncepciók ismerete.
  • Alapvető Python szkriptelési tudás az adatfeldolgozáshoz.

Célcsoport

  • SRE és megfigyelhetőségi mérnökök, akik AI-alapú eszközöket vesznek igénybe.
  • Platformmérnökök, akik új generációs monitorozási rendszereket építenek.
  • DevOps vezetői, akik az LLM integrációt értékelik a incidensmunkafolyamatokba.
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák