AIOps i praksis: Prediktering av hendelser og automatisering av hovedårsaksanalyse Treningskurs

Innføring i prediktiv AIOps

• Oversikt over prediktiv analyse i IT-drift
• Datakilder for prediktering (logger, metrikker, hendelser)
• Viktige konsepter i tidsrekkeprognostisering og anomali-mønstre

Design av modeller for prediktering av hendelser

• Merking av historiske hendelser og systemopptreden
• Valg og trening av modeller (f.eks. LSTM, Random Forest, AutoML)
• Vurdering av modellprestasjoner og behandling av falske positive

Datainnsamling og egenskapsteknikk (Feature Engineering)

• Inntak og justering av logg- og metrikldata for modellinndata
• Utdragning av egenskaper fra strukturert og ustrukturert data
• Håndtering av støy og mangelfull data i driftspipelines

Automatisering av analyse av hovedårsaker (RCA)

• Grafbasert korrelasjon av tjenester og infrastruktur
• Bruk av ML til å utlede sannsynlige hovedårsaker fra hendelseskjeder
• Visualisering av RCA med topologisk bevisste dashboards

Reparasjon og automatisering av arbeidsflyter

• Integrasjon med automatiseringsplattformer (f.eks. Ansible, Rundeck)
• Utløsning av tilbakerulling, oppstarts eller trafikkomledninger
• Ransaking og dokumentasjon av automatiske inngrep

Skalering av intelligente AIOps-pipelines

• MLOps for observabilitet: omtraining og modellversjonering
• Kjøring av predikasjoner i sanntid over distribuerte noder
• Beste praksis for deployering av AIOps i produksjonsmiljøer

Case studies og praktiske anvendelser

• Analyse av reelle henvendelsesdata ved hjelp av prediktive AIOps-modeller
• Deploying av RCA-pipelines med syntetisk og produksjonsdata
• Gjennomgang av bransjebruksområder: sky nedtider, mikrotjenestestabilitet, nettverkforringelser

Oppsummering og neste trinn