Kursplan

Innføring i AIOps med åpne kildekodeverktøy

  • Oversikt over AIOps konsepter og fordeler
  • Prometheus og Grafana i observabilitetstekken
  • Hvor ML passer inn i AIOps: prediktiv vs. reaktiv analyse

Oppsett av Prometheus og Grafana

  • Installasjon og konfigurasjon av Prometheus for tidsseriedata innsamling
  • Opprettelse av dashboards i Grafana ved bruk av sanntidsmetrikker
  • Undersøkelse av eksporter, omdøping, og tjenestefunnet

Databehandling for ML

  • Ekstrahering og transformasjon av Prometheus metrikker
  • Forberedelse av datasett for anomalioppdagelse og prognose
  • Bruk av Grafana transformasjoner eller Python pipeline

Tilpasning av Machine Learning for anomalioppdagelse

  • Grundleggende ML-modeller for utliggerdeteksjon (f.eks. Isolation Forest, One-Class SVM)
  • Trening og evaluering av modeller på tidsseriedata
  • Visualisering av anomali i Grafana dashboards

Forecasting metrikker med ML

  • Bygging av enkle prognosemodeller (ARIMA, Prophet, LSTM introdusering)
  • Prediksjon av systemlast eller ressursbruk
  • Bruk av prediksjoner for tidlig varsling og skaleringstiltak

Integrering av ML med varsling og automatisering

  • Definering av varslingsregler basert på ML-utdata eller terskler
  • Bruk av Alertmanager og varsling
  • Utløsning av skript eller automatiseringsarbeidsflyt ved anomalioppdagelse

Skalering og drift av AIOps

  • Integrering av eksterne observabilitetsverktøy (f.eks. ELK stack, Moogsoft, Dynatrace)
  • Driftsinnføring av ML-modeller i observabilitetsløsninger
  • Best practise for AIOps i skala

Oppsummering og neste trinn

Krav

  • Forståelse av overvåknings- og observabilitetskonsepter
  • Erfaring med bruk av Grafana eller Prometheus
  • Kjennskap med Python og grunnleggende maskinlæringsprinsipper

Målgruppe

  • Observabilitetsingeniører
  • Infrastruktur- og DevOps-team
  • Overvåkningsplattformarkitekter og site reliability engineers (SREs)
 14 timer

Antall deltakere


Price per participant

Upcoming Courses

Related Categories