Prenez contact avec nous
 Durée 14 heures

Plan du cours

Introduction à l'AIOps avec des outils open source

  • Aperçu des concepts et des avantages de l'AIOps
  • Prometheus et Grafana dans la pile d'observabilité
  • La place du machine learning dans l'AIOps : analytique prédictive vs. réactive

Configuration de Prometheus et de Grafana

  • Installation et configuration de Prometheus pour la collecte de séries temporelles
  • Création de tableaux de bord dans Grafana à l'aide de métriques en temps réel
  • Exploration des exporters, du re-étiquetage et de la découverte de services

Prétraitement des données pour le machine learning

  • Extraction et transformation des métriques Prometheus
  • Préparation des jeux de données pour la détection d'anomalies et la prévision
  • Utilisation des transformations de Grafana ou de pipelines Python

Application du machine learning pour la détection d'anomalies

  • Modèles de machine learning de base pour la détection de valeurs aberrantes (p. ex., Isolation Forest, One-Class SVM)
  • Entraînement et évaluation des modèles sur des données de séries temporelles
  • Visualisation des anomalies dans les tableaux de bord Grafana

Prévision des métriques avec le machine learning

  • Construction de modèles de prévision simples (ARIMA, Prophet, introduction aux LSTM)
  • Prévision de la charge système ou de l'utilisation des ressources
  • Utilisation des prédictions pour l'alerte précoce et les décisions de mise à l'échelle

Intégration du machine learning avec l'alertage et l'automatisation

  • Définition de règles d'alerte basées sur la sortie du modèle ML ou des seuils
  • Utilisation d'Alertmanager et du routage des notifications
  • Déclenchement de scripts ou de workflows d'automatisation lors de la détection d'anomalies

Passage à l'échelle et industrialisation de l'AIOps

  • Intégration d'outils d'observabilité externes (p. ex., pile ELK, Moogsoft, Dynatrace)
  • Industrialisation des modèles de machine learning dans les pipelines d'observabilité
  • Bonnes pratiques pour l'AIOps à grande échelle

Synthèse et prochaines étapes

Pré requis

  • Compréhension des concepts de surveillance des systèmes et d'observabilité
  • Expérience dans l'utilisation de Grafana ou de Prometheus
  • Familiarté avec Python et les principes de base du machine learning

Public cible

  • Ingénieurs de l'observabilité
  • Équipes d'infrastructure et de DevOps
  • Architectes de plateformes de supervision et ingénieurs de fiabilité des sites (SRE)

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires