Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
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