Kursplan

Innføring i AIOps

Opprinnelsen og utviklingen av AIOps

Viktigheten av AIOps i moderne IT

AIOps vs. IT-operasjonsanalyse – hovedskillinger

Kjerneteknologier og konsepter

AIOps-systemets livscyklus

Relaterte praksiser og metodikk

AIOps i organisatorisk kontekst

Hoveddrevende kraft og påvirkningsfaktorer

Integrering med DevOps

Rollen av AIOps i Site Reliability Engineering (SRE)

AIOps og IT-sikkerhetsbekymringer

Data, telemetri og systemkompleksitet

En ny paradigme for å forstå systemhelsen

Kjerneteknologier – Data

Hva er stordata?

De 5 V-ene i stordata

Kjennetegn ved stordata i AIOps

Datakilder og -typer i AIOps-miljøer

Datas divergens og prosessering utfordringer

Kjerneteknologier – Maskinlæring (ML)

AI, ML og deres rolle i AIOps

Supervisert vs. usupervisert læring i AIOps

Maskinlæring vs. tradisjonell analyse

ML-modeller og deres anvendelse i AIOps

Fremtiden for AI i IT-operasjoner

Sammenligning av ML med dataanalysemetoder

AIOps og operasjonelle mål

Hovedoperasjonelle mål for IT-miljøer

Viktige indikatorer i ulike systemer

SLA, SLO og KPI – definisjoner og bruk

Hendelsesrelaterte mål: deteksjon og kategorisering

Tidbaserede mål: MTTD, MTBF, MTTA, MTTR

Forvaltning av servicelevelavtaler

Bruksområder og organisatorisk mentalitetsendring

Fra reaktiv til proaktiv drift

Karakteristika ved et reaktivt IT-operasjonsmodell

Overgang fra deterministiske til sannsynlighetsbaserte tilnærmelser

Reelle bruksscenarier for AIOps

Organisatorisk endring drivet av AIOps

Forstå det fortidige, prediksjon av fremtiden

Måling av AIOps-innsatsen

Hovedmål for AIOps i IT-operasjoner

Synergi mellom AIOps, DevOps og SRE

Forbedring av AI-nøyaktighet gjennom AIOps

Forstørring av systemobservasjon

Sporing av AIOps-innsatsens effekt på drift

Knytning mellom AIOps-mål og DORA-indikatorer

Innføring av AIOps i organisasjonen

Unngåing vanlige hulter

Etikk og maskinlæring i AIOps

Implementeringsbaner og strategier

Datas kvalitet og prosessjustering

Organisatorisk kultur og støttede praksiser

Datareguleringer og overholdelse av lover

Håndtering av feil i ML-modeller

Personvern og brukerdatsikkerhet

Krav

Grunnleggende forståelse av IT-terminologi og erfaring med å jobbe med informasjonsteknologier.

 14 Timer

Antall deltakere


Pris per deltaker

Referanser (1)

Kommende kurs

Relaterte kategorier