Neem contact met ons op

Cursusaanbod

Het landschap van AI-gestuurde observability

  • Van dashboards naar gesprekken: de transitie naar AI-versterkte observability
  • LLM-mogelijkheden die relevant zijn voor observability: samenvatten, redeneren en herkenning van patronen
  • Architectuurpatronen: hoe AI te integreren in bestaande observability-oplossingen

Natuurtaalquery’s op telemetriedata

  • Text-to-PromQL: natuurlijke taal omzetten naar monitoringqueries
  • Natuurtaalquery’s voor logopslagsystemen zoals Elasticsearch, OpenSearch en Loki
  • SQL-generatie uit natuurlijke taal voor gestructureerde telemetriedata
  • Een query-assistent ontwikkelen die gebruikmaakt van hulpmiddelen en de context begreept

Loganalyse met behulp van LLM’s

  • Automatische parsing en structurering van logs via LLM’s
  • Detectie van afwijkingen in logstromen op basis van vergelijking van embedding-representaties
  • Logclustering en identificatie van patronen op grote schaal
  • Uitleg bieden die door mensen te begrijpen is, gebaseerd op ruwe logsequenties

Intelligente alarmering en incidentverrijking

  • Correlatie en deduplicatie van alerts via semantische analyse
  • Automatische verzameling van incidentgegevens uit runbooks, eerdere incidenten en documentatie
  • Intelligente routering van alerts op basis van inhoudsanalyse en deskundigheid van teams
  • Verminderen van ‘alert fatigue’ door AI-gestuurde ruisreductie

Oorzaakanalyse met hulp van AI

  • Hypotheses genereren door kruisverwijzingen te maken tussen telemetriedata uit diverse bronnen
  • Bewijsmateriaal logisch aan elkaar koppelen: van symptomen tot oorzaken via metingen, logs en traces
  • Gefaseerde probleemoplossing door interactieve AI-assistentie bij diagnoses
  • Een agent voor oorzaakanalyse ontwikkelen die stapsgewijs onderzoek doet

Automatische incidentrespons en communicatie

  • Incidentverslagen en statusupdates genereren op basis van telemetriedata
  • Automatisch concepten voor na-incidentevaluaties schrijven, inclusief tijdlijnsreconstructie
  • Informatie aan stakeholders verstrekken die zowel technische als leidinggevende doelgroepen bedient
  • Runbooksuggesties en automatische verbeteringsaanbevelingen doen

Machine learning toegepast op observability

  • Tijdreeksvoorspellingen voor capaciteitsplanning en detectie van afwijkingen
  • Basismodellen die zonder voorkennis in staat zijn om afwijkingen te detecteren in metingen
  • Servicerelaties in kaart brengen en netwerktopologieën ontdekken met behulp van embedding-technieken
  • Lichte machine learning-modellen ontwikkelen en implementeren binnen observability-pijplijnen

Implementatie in productie en ethische overwegingen

  • Richtlijden voor vertragingen en kosten bij realtime AI-toepassingen binnen observability
  • Gegevensbeveiliging: ervoor zorgen dat LLM’s geen gevoelige telemetriedata lekken
  • Menselijke controle: bepalen wanneer AI-diagnoses door operators geverifieerd moeten worden
  • Effectmeting: indicatoren zoals MTTD, MTTR en kwaliteit van de ‘on-call’-ervaring monitoren

Vereisten

  • Ervaring met observability-tools zoals Prometheus, Grafana, Datadog of OpenTelemetry.
  • Kennis van concepten rond logbeheer en metingen.
  • Basisvaardigheden in Python voor dataverwerking.

Doelgroep

  • SRE- en observability-engineers die AI-verbeterde hulpmiddelen adopteren.
  • Platformengineers die de volgende generatie monitoringpijplijnen ontwikkelen.
  • DevOps-leiders die overwegen om LLM’s te integreren in hun incidentworkflows.
 14 Uren

Aantal deelnemers


Prijs per deelnemer

Voorlopige Aankomende Cursussen

Gerelateerde categorieën