Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Időtartalma 14 órák
Kurzusleírás
Bevezetés az AIOps-ba nyílt forráskódú eszközökkel
- AIOps fogalmak és előnyök áttekintése
- Prometheus és Grafana a megfigyelhetőségi stackben
- Álhelyzet: Az ML szerepe az AIOps-ban: prediktív vs. reaktív analitika
Prometheus és Grafana beállítása
- Prometheus telepítése és konfigurálása az idősor-adatgyűjtéshez
- Instrumentálpanelek létrehozása Grafana-ban valós idejű metrikák segítségével
- Exporterok, relabeling és szolgáltatásfelfedezés felderítése
Az adatelemzés előkészítése ML-hez
- Prometheus metrikák kinyerése és átalakítása
- Adathalmazok előkészítése rendellenességek észlelésére és előrejelzésre
- Grafana átalakításainak vagy Python pipeline-ok használatának
Gépi tanulás alkalmazása a rendellenességek észlelésére
- Alapvető ML modellek kiemelt értékek észleléséhez (pl. Isolation Forest, One-Class SVM)
- Modellek edzése és kiértékelése idősor-adatokon
- Rendellenességek vizualizálása Grafana instrumentálpaneleken
Metrikák előrejelzése ML-lel
- Egyszerű előrejelző modellek építése (ARIMA, Prophet, LSTM bevezetés)
- Rendszerterhelés vagy erőforrás-használat megjóslása
- Előrejelzések használata korai riasztáshoz és méretezési döntésekhez
ML integrálása a riasztásokkal és automatizálással
- Riasztási szabályok meghatározása ML kimenet vagy küszöbértékek alapján
- Alertmanager és értesítési útválasztás használata
- Szkriptek vagy automatizált munkafolyamatok indítása rendellenesség-észlelésre
AIOps méretezése és operatosítása
- Külső megfigyelhetőségi eszközök integrálása (pl. ELK stack, Moogsoft, Dynatrace)
- ML modellek operatosítása a megfigyelhetőségi pipeline-okban
- Legjobb gyakorlatok az AIOps nagy léptékű alkalmazásához
Összegzés és következő lépések
Követelmények
- Rendszerfigyelés és megfigyelhetőségi fogalmak megértése
- Tapasztalat a Grafana vagy Prometheus használatában
- Python ismeret és alapvető gépi tanuló elvekkel való ismeretség
Publikum
- Megfigyelhetőségi mérnökök
- Infrastrukturális és DevOps csapatok
- Figyeltetési platformtervezők és helyszíni megbízhatossági mérnökök (SRE)
