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.
Dauer 14 Stunden
Schulungsübersicht
Einführung in AIOps mit Open-Source-Tools
- Übersicht über AIOps-Konzepte und deren Vorteile
- Die Rolle von Prometheus und Grafana im Observability-Stack
- Die Position von ML in AIOps: prädiktive vs. reaktive Analytik
Einrichtung von Prometheus und Grafana
- Installation und Konfiguration von Prometheus für die Erfassung von Zeitreihen
- Erstellung von Dashboards in Grafana mithilfe von Echtzeit-Metriken
- Erfassung von Exportern, Relabeling und Service Discovery
Datenpräparation für Machine Learning
- Extraktion und Transformation von Prometheus-Metriken
- Vorbereitung von Datensätzen für Anomalieerkennung und Prognose
- Nutzung der Transformatiosfunktionen von Grafana oder Python-Pipelines
Anwendung von Machine Learning zur Anomalieerkennung
- Grundlegende ML-Modelle zur Ausreißererkennung (z. B. Isolation Forest, One-Class SVM)
- Training und Bewertung von Modellen anhand von Zeitreihendaten
- Visualisierung von Anomalien in Grafana-Dashboards
Prognose von Metriken mit ML
- Aufbau einfacher Prognosemodelle (ARIMA, Prophet, Einführung in LSTM)
- Vorhersage der Systemlast oder der Ressourcennutzung
- Nutzung von Vorhersagen für Frühwarnungen und Skalierungsentscheidungen
Integration von ML in Alarmierung und Automatisierung
- Definition von Alarmregeln basierend auf ML-Ausgaben oder Schwellwerten
- Einsatz von Alertmanager und Routing von Benachrichtigungen
- Auslösung von Skripten oder Automatisierungsworkflows bei Erkennung von Anomalien
Skalierung und Betrieb von AIOps
- Integration externer Observability-Tools (z. B. ELK-Stack, Moogsoft, Dynatrace)
- Operationalisierung von ML-Modellen in Observability-Pipelines
- Best Practices für AIOps bei großem Maßstab
Zusammenfassung und nächste Schritte
Voraussetzungen
- Verständnis der Konzepte des System-Monitorings und der Observability
- Praktische Erfahrung in der Nutzung von Grafana oder Prometheus
- Vertrautheit mit Python und grundlegenden Prinzipien des Machine Learning
Zielgruppe
- Observability-Engineers
- Infrastruktur- und DevOps-Teams
- Architekten für Monitoring-Plattformen und Site Reliability Engineers (SREs)