Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Das Umfeld der KI-gestützten Beobachtbarkeit
- Von Dashboards zu Gesprächen: Der Wandel hin zur KI-ergänzten Beobachtbarkeit
- Für die Beobachtbarkeit relevante LLM-Fähigkeiten: Zusammenfassung, Schlussfolgerungen, Mustererkennung
- Architekturmuster: Wie KI in vorhandene Beobachtbarkeitssysteme integriert wird
Natürlichsprachliche Abfragen von Telemetriedaten
- Text-zu-PromQL: Umwandlung natürlicher Sprache in Monitoring-Abfragen
- Natürlichsprachliche Abfragen für Elasticsearch, OpenSearch und Loki-Log-Speicher
- Aus natürlicher Sprache generierter SQL-Code zur strukturierten Datenerfassung
- Entwicklung eines Abfrage-Assistenten mit Werkzeugnutzung und Kontextverständnis
LLM-gestützte Log-Analyse
- Automatisches Parsing und Strukturierung von Logs durch KI-Modelle
- Erkennung ungewöhnlicher Ereignisse in Log-Flüssen via Ähnlichkeitsanalyse der Textdarstellungen
- Gruppierung von Logs und Identifikation regelmäßiger Muster in großen Datenmengen
- Erstellung menschenlesbarer Erklärungen basierend auf Roh-Logs
Intelligentes Alarmmanagement und Kontextbereicherung
- Zusammenfassung ähnlicher Alarme durch semantische Analyse und Vermeidung von Doppelungen
- Automatisches Sammeln relevanter Informationen für aktuelle Zwischenfälle aus Handbüchern, historischen Ereignissen und Dokumentationen
- Flexible Weiterleitung von Alarmmeldungen gemäß Inhaltserkennung und Kompetenzprofil der jeweiligen Teammitglieder
- Reduktion von Informationsüberfluss durch kluge Filterung und Verfeinerung von Warnungen
KI-unterstützte Ursachenanalyse
- Bildung plausibler Hypothesen auf Basis der Korrelation verschiedener Telemetriedatenquellen
- Aufbau einer Beweiskette: Verknüpfung von Symptomen aus Messwerten, Logs und Tracing-Daten
- Schrittweise Fehlerdiagnose mittels interaktiver KI-Assistenten für Fehlersuche
- Konstruktion eines Agents zur Ursachenanalyse mit dynamischer Nachforschungstiefe
Automatisierte Reaktion auf Zwischenfälle und Kommunikation
- Erstellung von Zusammenfassungen sowie Statusberichten aus Telemetriedaten
- Automatische Entwürfe für Postmortems inklusive rekonstruierter Ereignisabläufe
- Ausformulierung von Informationen, die sowohl technisch versierte als auch geschäftliche Interessengruppen verstehen können
- Vorschläge zur Anwendung existierender Handbücher und automatisierte Empfehlungen für Korrekturmaßnahmen
Maschinelles Lernen in der Beobachtbarkeit
- Vorhersage zukünftiger Auslastung von Systemkomponenten und Frühwarnungen vor Abweichungen
- Nutzung grundlegender KI-Modelle zur Erkennung von Anomalien ohne spezielle Trainingsdaten
- Identifikation von Service-Abhängigkeiten sowie Aufbau von Systemtopologien durch semantische Textanalysen
- Einbindung kompakter, effiziente ML-Modelle in gängige Beobachtbarkeitsprozesse
Einsatz im Produktivbetrieb und ethische Aspekte
- Berücksichtigung von Reaktionszeit und Kosten bei der Echtzeit-Nutzung von KI-Technologie in Beobachtbarkeitssystemen
- Datenvertraulichkeit: Vorbeugung gegen unbefugte Offenlegung sensibler Telemetriedaten durch LLMs
- Menschliche Kontrolle: Erforderlichkeit der Validierung von KI-Analysen durch Fachpersonal
- Erfassung relevanter Kennzahlen: Verbesserung der Zeit bis zur Fehlererkennung, Behebungsdauer sowie allgemeiner Bereitschaftseffizienz
Voraussetzungen
- Erfahrung mit Beobachtbarkeitstools wie Prometheus, Grafana, Datadog oder OpenTelemetry.
- Grundkenntnisse im Umgang mit Logs sowie Konzepten der Messwerterfassung.
- Grundlegende Python-Programmierfähigkeiten für die Datenverarbeitung.
Zielgruppe
- SRE- sowie Beobachtbarkeitstechniker, die KI-basierte Tools nutzen wollen.
- Plattformingenieure, die fortschrittliche Monitoring-Systeme entwickeln.
- DevOps-Leiter, die eine Integration von LLMs in ihre Arbeitsabläufe prüfen.
14 Stunden