Hubungi Kami

Kerangka Materi

Pengenalan Agentic AI untuk Operasi

  • Dari runbook statis ke agen penalaran: evolusi otomasi TI
  • Anatomi agen: loop penalaran, penggunaan alat, memori, dan perencanaan
  • Kapan harus mengotomasi vs kapan harus mempertahankan human-in-the-loop

Kerangka Kerja dan Arsitektur Agen

  • Pola single-agent: ReAct, Plan-and-Execute, dan loop pemanggilan alat
  • Arsitektur multi-agen: pola supervisor, hierarkis, dan swarm
  • Perbandingan kerangka kerja: LangGraph, CrewAI, AutoGen, dan agen kustom
  • Membangun agen operasional pertama Anda: mengambil kueri pemantauan, mendiagnosis, mengusulkan

Integrasi Alat untuk Operasi TI

  • Menghubungkan agen ke API Prometheus, Grafana, Datadog, dan PagerDuty
  • Pengambilan kueri log dengan agen: integrasi Elasticsearch, Loki, dan Splunk
  • Penggunaan alat infrastruktur: kubectl, Terraform, Ansible melalui aksi agen
  • Merancang antarmuka alat yang aman dengan validasi parameter dan idempotensi

Otomasi Respons Insiden

  • Triage insiden otomatis: klasifikasi severity dan routing
  • Generasi hipotesis akar masalah dan pengumpulan bukti
  • Remediasi otomatis: aksi restart, scale, rollback, dan failover
  • Membangun agen runbook insiden dengan tingkat otonomi progresif

Keamanan, Guardrails, dan Human-in-the-Loop

  • Klasifikasi aksi: read-only, risiko rendah, risiko tinggi, dan destruktif
  • Gerbang persetujuan dan kebijakan eskalasi untuk operasi kritis
  • Pola guardrail: allowlist aksi, batasan blast radius, dan jaminan rollback
  • Audit trail dan provenance keputusan untuk kepatuhan

Orkestrasi Multi-Agen untuk Insiden Kompleks

  • Koordinasi agen spesialis: agen triage, agen diagnosis, agen remediasi
  • Komunikasi antar-agen dan manajemen konteks bersama
  • Resolusi konflik ketika agen mengusulkan aksi yang bertentangan
  • Simulasi insiden mayor end-to-end dengan respons multi-agen

Observabilitas dan Evaluasi

  • Tracing rantai penalaran agen untuk debugging dan audit
  • Evaluasi kualitas keputusan agen: presisi, recall, waktu-resolusi
  • Loop umpan balik: belajar dari override operator dan hasil
  • Penelusuran biaya dan ekonomi token untuk agen operasional

Deployment Produksi dan Operasi

  • Deploy agen sebagai layanan: API, webhooks, dan tugas terjadwal
  • Rollout otonomi bertahap: dari mode bayangan ke auto-remediasi penuh
  • Runbook untuk kegagalan agen: apa yang terjadi ketika agen itu sendiri rusak
  • Membangun kasus bisnis dan mengukur ROI untuk operasi otonom

Persyaratan

  • Pengalaman dengan operasi TI, DevOps, atau praktik SRE.
  • Kenalan dengan scripting Python dan REST API.
  • Pemahaman dasar tentang kemampuan LLM dan prompt engineering.

Audience

  • Insinyur SRE dan DevOps yang mengeksplorasi otomasi berbasis AI.
  • Insinyur platform yang membangun infrastruktur self-healing.
  • Pimpinan operasi TI yang mengevaluasi Agentic AI untuk manajemen insiden.
 14 Jam

Jumlah Peserta


Harga per Peserta

Kursus Mendatang

Kategori Terkait