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.
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)