Kerangka Materi

Pengantar ke AIOps dengan Alat Sumber Terbuka

  • Ringkasan konsep dan manfaat AIOps
  • Prometheus dan Grafana dalam stack observability
  • Di mana ML masuk ke dalam AIOps: analitik prediktif vs. reaktif

Menyiapkan Prometheus dan Grafana

  • Instalasi dan konfigurasi Prometheus untuk pengumpulan time series
  • Membuat dashboard di Grafana menggunakan metrik real-time
  • Menjelajahi exporter, relabeling, dan penemuan layanan

Pra-pengolahan Data untuk ML

  • Mengekstrak dan mentransformasi metrik Prometheus
  • Mempersiapkan dataset untuk deteksi anomali dan peramalan
  • Menggunakan transformasi Grafana atau pipa Python

Menerapkan Machine Learning untuk Deteksi Anomali

  • Model ML dasar untuk deteksi outlier (misalnya, Isolation Forest, One-Class SVM)
  • Melatih dan mengevaluasi model pada data time series
  • Visualisasi anomali di dashboard Grafana

Metrik ML dengan Forecasting

  • Membuat model peramalan sederhana (ARIMA, Prophet, pengantar LSTM)
  • Meramal beban sistem atau penggunaan sumber daya
  • Menggunakan prediksi untuk alarm dini dan keputusan skalabilitas

Integrasi ML dengan Peringatan dan Otomatisasi

  • Menentukan aturan peringatan berdasarkan output ML atau ambang batas
  • Menggunakan Alertmanager dan routing notifikasi
  • Memicu script atau alur kerja otomatisasi saat deteksi anomali

Skalabilitas dan Operasionalisasi AIOps

  • Integrasi dengan alat observability eksternal (misalnya, ELK stack, Moogsoft, Dynatrace)
  • Mengoperasionalisasi model ML dalam pipa observability
  • Praktik terbaik untuk AIOps pada skala besar

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang konsep monitoring sistem dan observability
  • Pengalaman menggunakan Grafana atau Prometheus
  • Kesadaran akan Python dan prinsip dasar machine learning

Audience

  • Insinyur observability
  • Tim infrastruktur dan DevOps
  • Arsitek platform monitoring dan insinyur ketangguhan situs (SREs)
 14 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait