Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Peisajul observabilității bazate pe AI
- De la panouri de control (dashboards) la conversații: trecerea către o observabilitate augmentată de AI
- Capacitățile LLM relevante pentru observabilitate: rezumare, raționament, potrivire de tipare (pattern matching)
- Modele arhitecturale: integrarea AI în stivele existente de observabilitate
Interogarea telemetriei în limbaj natural
- Text-to-PromQL: traducerea limbajului natural în interogări de monitorizare
- Interogări în limbaj natural pentru Elasticsearch, OpenSearch și stocările de jurnale Loki
- Generarea SQL din limbajul natural pentru telemetrie structurată
- Construcția unui agent asistent pentru interogări, cu utilizare de instrumente și conștientizare a contextului
Analiza jurnalelor alimentată de LLM
- Parsarea și structurarea automată a jurnalelor cu LLM
- Detectarea anomaliilor în fluxurile de jurnale folosind similitudinea prin embedding-uri
- Clusterizarea jurnalelor și descoperirea de tipare la scară largă
- Generarea de explicații ușor de citit pentru om, din secvențele brute de jurnale
Alertare inteligentă și îmbogățirea incidentelor
- Corelarea alertelor și deduplicarea lor cu înțelegere semantică
- Strângerea automată a contextului incidentului din runbooks, incidente anterioare și documentație
- Rutarea inteligentă a alertelor bazată pe înțelegerea conținutului și expertiza echipei
- Reducerea oboselii prin alertare (alert fatigue) cu reducerea zgomotului alimentat de AI
Analiza cauzei rădăcină asistată de AI
- Generarea de ipoteze din corelarea telemetriei multi-sursă
- Lanțuri de dovezi: conectarea simptomelor între metrici, jurnale și trace-uri
- Diagnosticul ghidat prin sesiuni interactive de diagnosticare AI
- Construcția unui agent de analiză a cauzei rădăcină cu investigație progresivă
Răspuns automat la incidente și comunicare
- Generarea de rezumate ale incidentelor și actualizări de status din telemetrie
- Redactarea automată a post-mortem cu reconstrucția timeline-ului
- Comunicarea către părțile interesate, adaptată pentru audiențe tehnice și executive
- Sugestii de runbook și recomandări automate de remediere
ML pentru observabilitate
- Predictia seriilor de timp pentru planificarea capacității și predicția anomaliilor
- Modele fundamentale pentru detecția zero-shot a anomaliilor asupra metricilor
- Mapearea dependențelor serviciilor și descoperirea topologiei bazate pe embedding-uri
- Antrenarea și rularea unor modele ML ușoare alături de pipelines de observabilitate
Rulare în producție și etică
- Considerații privind latența și costurile pentru observabilitatea AI în timp real
- Confidențialitatea datelor: asigurarea că LLM nu scurg telemetrie sensibilă
- Supervizare umană: când diagnosticul AI necesită validare din partea operatorului
- Măsurarea impactului: MTTD, MTTR și metricile experienței on-call
Cerințe
- Experiență cu instrumente de observabilitate precum Prometheus, Grafana, Datadog sau OpenTelemetry.
- Familiaritate cu conceptele de gestionare a jurnalelor (log management) și metrici.
- Cunoștințe de bază de scriptare Python pentru prelucrarea datelor.
Public țintă
- Ingineri SRE și de observabilitate care adoptă instrumente îmbunătățite cu AI.
- Ingineri de platformă care construiesc pipelines de monitorizare de nouă generație.
- Coordinatori DevOps care evaluează integrarea LLM în fluxurile de lucru pentru incidente.
14 Ore
