Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à l'AIOps avec des outils open source
- Aperçu des concepts et avantages de l'AIOps.
- Prometheus et Grafana dans la pile d'observabilité.
- La place du machine learning dans l'AIOps : analytics prédictifs vs réactifs.
Configuration de Prometheus et Grafana
- Installation et configuration de Prometheus pour la collecte de données série temporelle.
- Création de tableaux de bord dans Grafana à l'aide de métriques en temps réel.
- Exploration des exporters, du relabeling et de la découverte de services.
Prétraitement des données pour le machine learning
- Extraction et transformation des métriques Prometheus.
- Préparation des ensembles de données pour la détection d'anomalies et la prévision.
- Utilisation des transformations de Grafana ou des pipelines Python.
Application du machine learning pour la détection d'anomalies
- Modèles ML basiques pour la détection de valeurs aberrantes (par ex. Isolation Forest, One-Class SVM).
- Entraînement et évaluation des modèles sur des données série temporelle.
- 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 à LSTM).
- Prédiction de la charge système ou de l'utilisation des ressources.
- Utilisation des prévisions pour les alertes précoces et les décisions de mise à l'échelle.
Intégration du machine learning avec les alertes et l'automatisation
- Définition des règles d'alerte basées sur les sorties ML ou les seuils.
- Utilisation d'Alertmanager et du routage des notifications.
- Déclenchement de scripts ou de workflows d'automatisation lors de la détection d'anomalies.
Mise à l'échelle et industrialisation de l'AIOps
- Intégration d'outils externes d'observabilité (par ex. ELK stack, Moogsoft, Dynatrace).
- Industrialisation des modèles ML dans les pipelines d'observabilité.
- Bonnes pratiques pour l'AIOps à grande échelle.
Synthèse et prochaines étapes
Pré requis
- Une compréhension des concepts de surveillance système et d'observabilité.
- De l'expérience avec Grafana ou Prometheus.
- Familiarité avec Python et les principes de base du machine learning.
Public cible
- Ingénieurs en observabilité.
- Équipes infrastructure et DevOps.
- Architectes de plateformes de monitoring et ingénieurs fiabilité des sites (SRE).
14 Heures
