Kursplan
Innføring i AIOps
Opprinnelsen og utviklingen av AIOps
Vektens betydning av AIOps i moderne IT
AIOps vs. IT Operations Analytics – viktigste forskjeller
Kjernteknologier og -konsepter
AIOps-systemets livssyklus
Relaterte praksiser og metodikker
AIOps i organisatorisk kontekst
Nøkkeldrivere og påverkende faktorer
Integrering med DevOps
AIOps' rolle i Site Reliability Engineering (SRE)
AIOps og IT-sikkerhetsomgivelser
Data, telemetri og systemkompleksitet
Et nytt paradigme for å forstå systemhelsen
Kjernteknologier – Data
Hva er Big Data?
De 5 Vene i Big Data
Karakteristikk ved Big Data i AIOps
Datascerer og typer i AIOps-miljøer
Datadiversitet og utfordringer med dataforarbeidelse
Kjernteknologier – Maskinlæring (ML)
AI, ML og deres rolle i AIOps
Supervisert vs. u-supervisert 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 metrikker
Nøkkelmetrikker for IT-miljøer
Viktige indikatorer i ulike systemer
SLA, SLO og KPI – definisjoner og bruk
Hendelsesrelaterte metrikker: deteksjon og kategorisering
Tidsbaserte metrikker: MTTD, MTBF, MTTA, MTTR
Administrasjon av service level agreements (SLA)
Brukssammenhenger og organisatorisk mentalitetsendring
Fra reaktiv til proaktiv drift
Karakteristikk ved et reaktivt IT-operasjonsmodell
Overgang fra deterministiske til sannsynlighetsmessige tilnærminger
Reelle brukssammenhenger av AIOps
Organisatorisk endring drivet av AIOps
Forståelse av det forgåtte, forutsigelse av fremtiden
Måling av AIOps' innvirkning
Nøkkelmetrikker for AIOps i IT-operasjoner
Synergi mellom AIOps, DevOps og SRE
Forbedring av AI-nøyaktighet gjennom AIOps
Forbedring av systemobservabilitet
Sporing av AIOps' innvirkning på drift
Kobling mellom AIOps-metrikker og DORA-indikatorer
Innføring av AIOps i organisasjonen
Unngåelse av vanlige feil
Etikk og maskinlæring i AIOps
Implementeringsbaner og strategier
Datasøknad og prosessjustering
Organisatorisk kultur og støttemekanismer
Datatilpasnings- og overholdelsesregler
Behandling av ML-modelfeil
Personvern og brukerdatasikkerhet
Krav
Grunnleggende forståelse av IT-terminologi og erfaring med å jobbe med informasjonsteknologier.
Referanser (1)
Det var mange praktiske øvelser som ble veiledet og assistert av treneren
Aleksandra - Fundacja PTA
Kurs - Mastering Make: Advanced Workflow Automation and Optimization
Maskinoversatt