Ta kontakt

Kursplan

Aktivitetslandskapet innen AI-observabilitet

  • Fra dashbord til samtaler: skiftet mot AI-forsterket observabilitet
  • LLM-funksjoner som er relevante for observabilitet: summering, resonnement, mønstergjenkjenning
  • Arkitekturmønstre: integrering av AI i eksisterende observabilitetsstapper

Naturlig språk-spørring av telemetri

  • Text-to-PromQL: oversetting av naturlig språk til overvåkingsspørsmål
  • NL-spørring mot logglagre som Elasticsearch, OpenSearch og Loki
  • Generering av SQL-kode fra naturlig språk for strukturert telemetri
  • Bygge en spørringsassistent-agent med verktøybruk og kontekstbevissthet

LLM-støttet logganalyse

  • Automatisk parsing og strukturering av logger med LLMer
  • Anomalideteksjon i loggerstrømmer ved hjelp av innleiringslikhet (embedding similarity)
  • Loggsamling og oppdagelse av mønstre i stor skala
  • Generering av menneskelleselige forklaringer fra rå loggsekvenser

Intelligent varsling og berikelse av hendelser

  • Korrelasjon og duplikatfjerning av varsler med semantisk forståelse
  • Automatisk innsamling av hendelseskontekst fra oppgavebøker (runbooks), tidligere hendelser og dokumentasjon
  • Smart varslingsrutning basert på innholdstype og lagets ekspertise
  • Minskende varseltrøtthet med AI-drevet støyreduksjon

AI-assistert analyse av feilkilder

  • Hypotesegenerering fra korrelasjon av telemetri fra flere kilder
  • Kjedeberegning av bevis: kobling av symptomer over måleverdier, logger og spor (traces)
  • Veiledet feilsøking med interaktive AI-diagnosesesjoner
  • Bygge en feilanalyse-agent med progressiv undersøkelse

Automatisert hendelsesrespons og kommunikasjon

  • Generering av hendelsessummeringer og statusoppdateringer fra telemetri
  • Automatisk utkast til feilanalyser med rekonstruksjon av tidslinje
  • Tilpasset kommunikasjon med både teknisk ledelse og øverste administrasjon
  • Forslag til oppgavebøker (runbooks) og automatiserte anbefalinger for retting

Maskinlæring for observabilitet

  • Tidsserieprognoser for kapasitetsplanlegging og prediksjon av anomalier
  • Grunnmodeller (foundation models) for null-skots deteksjon av anomalier på måleverdier
  • Embedding-basert kartlegging av tjenesteavhengigheter og oppdagelse av topologi
  • Trening og drift av lette maskinlæringsmodeller alongside observabilitetspipelines

Distribusjon i produksjon og etikk

  • Hensyn til latens og kostnader for sanntids-AI-observabilitet
  • Dataintegritet: sikre at LLMer ikke lekkjer sensitiv telemetri
  • Menneskelig tilsyn: når AI-diagnoser krever bekreftelse fra operatør
  • Måling av effekt: MTTD, MTTR og vaktordningsmetriker

Krav

  • Erfaring med observabilitetsverktøy som Prometheus, Grafana, Datadog eller OpenTelemetry.
  • Kunnskap om logghåndtering og begrepene rundt måleverdier (metrics).
  • Basal Python-skripping for databehandling.

Målgruppe

  • SRE- og observabilitetsingeniører som tar i bruk AI-forbedrede verktøy.
  • Platformingeniører som bygger overvåkingspipelines av neste generasjon.
  • DevOps-ledere som vurderer integrering av LLMer i arbeidsflyter for hendelseshåndtering.
 14 Timer

Antall deltakere


Pris per deltaker

Kommende kurs

Relaterte kategorier