Kursplan
Innføring i AIOps
Opphavet og utviklingen av AIOps
Betydningen av AIOps i moderne IT
AIOps vs. IT-operasjonsanalyser – hovedforskjellene
Kjerne-teknologier og konsepter
Livssyklusen til AIOps-systemer
Relaterte praksiser og metoder
AIOps i organisatorisk sammenheng
Hoveddrivere og påvirkningsfaktorer
Integrering med DevOps
Rollen til AIOps i Site Reliability Engineering (SRE)
AIOps og IT-sikkerhetsbekymringer
Data, telemetri og systemkompleksitet
Et nytt paradigme for å forstå systemhelse
Kjerne-teknologier – Data
Hva er Big Data?
De 5 V av Big Data
Egenskapene til Big Data i AIOps
Datakilder og typer i AIOps-miljøer
Data-diversitet og utfordringer ved behandling
Kjerne-teknologier – Machine Learning (ML)
AI, ML og deres rolle i AIOps
Overvåket vs. uovervåket læring i AIOps
Maskinlæring vs. tradisjonelle analyser
ML-modeller og deres anvendelse i AIOps
Framtiden for AI i IT-operasjoner
Sammenligning av ML med data-analysemetoder
AIOps og operasjonelle metrikker
Viktige operasjonelle metrikker for IT-miljøer
Viktige indikatorer over ulike systemer
SLA, SLO og KPI – definisjoner og bruk
Metrikker relatert til hendelser: oppdagelse og klassifisering
Tidsbaserte metrikker: MTTD, MTBF, MTTA, MTTR
Håndtering av serviceavtaler
Use Cases og endring i organisatorisk tankegang
Fra reaktive til proaktive operasjoner
Egenskapene til et reaktivt IT-operasjonsmodell
Overgang fra deterministiske til sannsynlighetsbaserte tilnærminger
Reelle bruksområder for AIOps
Organisatoriske endringer drevet av AIOps
Forståelse av fortiden, forutsiing av framtiden
Måling av AIOps-effekten
Nøkkel-AIOps-metrikker for IT-operasjoner
Samspill mellom AIOps, DevOps og SRE
Forbedring av AI-nøyaktighet gjennom AIOps
Forbedring av systemobservabilitet
Sporing av AIOps-effekt på operasjoner
Kobling av AIOps-metrikker med DORA-indikatorer
Implementering av AIOps i organisasjonen
Unngåelse av vanlige fallgruver
Etikk og maskinlæring i AIOps
Implementeringsveier og strategier
Datakvalitet og prosessavstemning
Organisasjonskultur og støttende praksiser
Datareguleringer og overholdelse
Håndtering av ML-modellfeil
Privatliv og beskyttelse av brukerdata
Krav
Testimonials (1)
Det var mange praktiske øvelser under observasjon og støtte fra treneren
Aleksandra - Fundacja PTA
Kurs - Mastering Make: Advanced Workflow Automation and Optimization
Machine Translated