Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Продължителност 14 часa
Съдържание и теми, включени в курса
Ландшафтът на AI наблюдаемост
- От табло към разговори: промяната към AI-усилена наблюдаемост
- Възможности на LLM, релевантни за наблюдаемост: обобщаване, разсъждение, съпоставяне на патърни
- Архитектурни модели: вграждане на AI в съществуващи стекове за наблюдаемост
Естествено езиково запитване за телеметрия
- Текст към PromQL: превод на естествен език в заявки за мониторинг
- NL запитване за Elasticsearch, OpenSearch и Loki хранилища
- Генериране на SQL от естествен език за структурирана телеметрия
- Създаване на агент за помощ при запитвания с използване на инструменти и осведоменост за контекст
LLM-движен анализ на дневници
- Автоматично парсене и структуриране на дневници с LLMs
- Откриване на аномалии в потоци от дневници чрез подобност на вграждания
- Кластериране на дневници и откриване на патърни в мащаби
- Генериране на человеко-readable обяснения от сурови последователности от дневници
Интелигентно предупреждаване и обогатяване на инциденти
- Корелиране и денормализиране на предупреждения с семантично разбиране
- Автоматично събиране на контекст от ръководства, минали инциденти и документи
- Умело маршрутизиране на предупреждения въз основа на разбиране на съдържание и експертиза на екипа
- Намаляване на умора от предупреждения чрез AI-управлявано намаляване на шум
AI-помощна коренна причина анализ
- Генериране на хипотези от корелиране на многоизточни телеметрични данни
- Съпоставяне на доказателства: свързване на симптоми между метрики, дневници и трасове
- Направлявано изследване с интерактивни AI сесии за диагностика
- Създаване на агент за коренна причина анализ с прогресивно разследване
Автоматизиран отговор и комуникация при инциденти
- Генериране на събиране на инциденти и актуализации за статус от телеметрия
- Автоматично създаване на чернови след инцидент с възстановяване на таймлайна
- Комуникация със заинтересовани страни, адаптирана към технически и изпълнителни аудитории
- Предложения за ръководства и автоматични препоръки за отстраняване
ML за наблюдаемост
- Прогнозиране на времесредни данни за планиране на капацитет и прогнозиране на аномалии
- Основни модели за нулево-шот откриване на аномалии в метрики
- Вграждане-базирана карта на зависимостта между услуги и откриване на топология
- Обучение и разпространение на леки ML модели заедно с потоци за наблюдаемост
Производствено разпространение и етика
- Разсъждения за забавяне и разходи за реално време AI наблюдаемост
- Конфиденциалност на данните: гарантиране, че LLMs не изтичат чувствителна телеметрия
- Човешко наблюдение: кога AI диагностика се нуждае от валидиране от оператор
- Измерване на влияние: MTTD, MTTR и метрики за опита при дежурство
Изисквания
- Опит с инструменти за наблюдаемост като Prometheus, Grafana, Datadog или OpenTelemetry.
- Знаене на концепции за управление на дневници и метрики.
- Базово скриптиране в Python за обработка на данни.
Целева аудитория
- SRE и инженери за наблюдаемост, които приемат AI-усилени инструменти.
- Платформови инженери, които създават следващо поколение потоци за мониторинг.
- Лидери DevOps, оценяващи интеграция на LLM в работни потоци за инциденти.
