Formation Mise en œuvre de l'AIOps avec Prometheus, Grafana et ML

Introduction à l'AIOps avec les outils open source

• Vue d'ensemble des concepts et des avantages de l'AIOps
• Rôle de Prometheus et Grafana dans la pile d'observabilité
• La place du ML dans l'AIOps : analyse prédictive vs réactive

Configuration de Prometheus et Grafana

• Installation et configuration de Prometheus pour la collecte de séries temporelles
• Création de tableaux de bord dans Grafana à l'aide de métriques en temps réel
• Exploration des exporteurs, du re-labeling et de la découverte de services

Prétraitement des données pour le ML

• Extraction et transformation des métriques Prometheus
• Préparation des jeux de données pour la détection d'anomalies et la prévision
• Utilisation des transformations de Grafana ou des pipelines Python

Application du ML pour la détection d'anomalies

• Modèles de ML de base pour la détection de valeurs aberrantes (ex. : Isolation Forest, One-Class SVM)
• Entraînement et évaluation des modèles sur des données de séries temporelles
• Visualisation des anomalies dans les tableaux de bord Grafana

Prévision des métriques avec le ML

• Construction de modèles de prévision simples (ARIMA, Prophet, introduction aux LSTM)
• Prédiction de la charge système ou de l'utilisation des ressources
• Utilisation des prédictions pour l'alerte précoce et les décisions de mise à l'échelle

Intégration du ML avec l'alerting et l'automatisation

• Définition de règles d'alerte basées sur la sortie du ML ou des seuils
• Utilisation d'Alertmanager et de la routage des notifications
• Déclenchement de scripts ou de flux de travail d'automatisation lors de la détection d'anomalies

Mise à l'échelle et opérationnalisation de l'AIOps

• Intégration d'outils d'observabilité externes (ex. : pile ELK, Moogsoft, Dynatrace)
• Opérationnalisation des modèles de ML dans les pipelines d'observabilité
• Bonnes pratiques pour l'AIOps à grande échelle

Résumé et prochaines étapes