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.
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