Agenda szkolenia
  1. Moduł 1: Podstawy AIOps
    • Historia i poprzednicy
    • Znaczenie AIOps
    • Różnice pomiędzy AIOps i IT Operations Analytics
    • Podstawowe technologie i podstawowe koncepcje
    • Etapy systemu AIOps
    • Pokrywające się praktyki
  2. Moduł 2: AIOps w organizacji
    • Czynniki i wpływy
    • AIOps i DevOps
    • AIOps i Inżynieria niezawodności (SRE)
    • AIOps i kwestie bezpieczeństwa
    • Złożoność danych, telemetrii i systemów
    • Nowy paradygmat zrozumienia stanu systemu
  3. Moduł 3: Podstawowe technologie: Dane
    • Czym jest Big Data?
    • Pięć "V" kocepcji Big Data
    • Charakterystyka Big Data
    • Źródła i typy danych AIOps
    • Zróżnicowane dane
  4. Moduł 4: Podstawowe technologie: Uczenie maszynowe (ML)
    • Sztuczna inteligencja i uczenie maszynowe
    • Uczenie maszynowe nadzorowane i nienadzorowane
    • Uczenie maszynowe a analityka
    • Uczenie maszynowe i modele uczenia maszynowego
    • AIOps i przyszłość sztucznej inteligencji
    • AIOps a podobieństwa i różnice w analityce danych
  5. Moduł 5: AIOPs i wskaźniki operacyjne
    • Metryki operacyjne
    • Kluczowe wskaźniki do śledzenia w różnych systemach
    • Umowy, cele i wskaźniki
    • Wskaźniki związane z incydentami
    • Ilościowe określanie incydentów (MTTD, MTBF, MTTA, MTTR)
    • Umowy dotyczące poziomu usług
  6. Moduł 6: Przypadki użycia AIOps i sposób myślenia organizacji
    • Przejście z podejścia reaktywnego na proaktywne
    • Charakterystyka reaktywnego podejścia do operacji IT
    • Od podejścia deterministycznego do probabilistycznego
    • Przykłady przypadków użycia
    • AIOps i zmiany w organizacji
    • Zrozumienie przeszłości i przewidywanie przyszłości
  7. Moduł 7: Ocena wpływu AIOps
    • Wskaźniki AIOps i operacji IT
    • AIOps, DevOps i SRE
    • Poprawa dokładności sztucznej inteligencji
    • Widoczność systemu AIOps
    • Śledzenie wpływu AIOps
    • Wpływ na wskaźniki związane z incydentami
    • Wskaźniki AIOps i DORA
  8. Moduł 8: Wdrażanie AIOps w organizacji
    • Unikanie typowych wyzwań
    • Etyka i uczenie maszynowe
    • Ścieżki wdrożenia
    • Jakość danych i procesy
    • Kultura i praktyki organizacyjne
    • Dane i regulacje
    • Błędy uczenia maszynowego
    • Prywatność i dane użytkownika