Свържете се с нас

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.
 14 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории