Prenez contact avec nous
 Durée 14 heures

Plan du cours

Introduction à l'AIOps avec des outils open source

  • Aperçu des concepts et des avantages de l'AIOps
  • Prometheus et Grafana dans la pile d'observabilité
  • Le rôle de l'IA dans l'AIOps : analyses prédictives par rapport aux analyses réactives

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 exportateurs, du relabellage et de la découverte de services

Prétraitement des données pour l'IA

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

Application de l'apprentissage automatique à la détection d'anomalies

  • Modèles d'IA de base pour la détection des valeurs aberrantes (par 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 l'IA

  • 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 les alertes précoces et les décisions d'échelle

Intégration de l'IA avec les alertes et l'automatisation

  • Définition de règles d'alerte basées sur la sortie de l'IA ou des seuils
  • Utilisation d'Alertmanager et du routage des notifications
  • Déclenchement de scripts ou de workflows d'automatisation en cas de détection d'anomalie

Mise à l'échelle et industrialisation de l'AIOps

  • Intégration d'outils d'observabilité externes (par ex., pile ELK, Moogsoft, Dynatrace)
  • Industrialisation des modèles d'IA dans les pipelines d'observabilité
  • Meilleures pratiques pour l'AIOps à grande échelle

Résumé et prochaines étapes

Pré requis

  • Une compréhension des concepts de surveillance des systèmes et d'observabilité
  • Une expérience dans l'utilisation de Grafana ou de Prometheus
  • Une familiarité avec Python et les principes fondamentaux de l'apprentissage automatique

Public cible

  • Ingénieurs en observabilité
  • Équipes infrastructure et DevOps
  • Architectes de plateformes de surveillance et ingénieurs de fiabilité des sites (SRE)

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires