Kom i kontakt

Kursplan

Landskapet för AI-observabilitet

  • Fran dashboards till samtal: skiftet mot AI-augmenterad observabilitet
  • LLM-funktioner relevanta för observabilitet: sammanfattning, resonemang, mönstermatchning
  • Arkitekturmönster: att integrera AI i befintliga observabilitetsstackar

Naturligt språk för telemetrisökningar

  • Text till PromQL: att översätta naturligt språk till övervakningsfrågor
  • Sökning med naturligt språk i Elasticsearch, OpenSearch och Loki (loggar)
  • Generering av SQL-frågor från naturligt språk för strukturerad telemetri
  • Att bygga en frågeassistent-agent med verktygsanvändning och kontextmedvetenhet

LLM-drivet logganalys

  • Automatiserad loggtolkning och strukturering med LLMs
  • Anomali-detektering i loggströmmar via embedding-similaritet
  • Loggklustering och upptäckt av mönster i stor skala
  • Generering av mänskligt begripliga förklaringar från råa sekvenser av loggar

Intelligent avisering och berikning av incidenter

  • Korrelation och borttagning av dubletter för aviseringar med semantisk förståelse
  • Automatiserad insamling av incidentkontext från runbooks, tidigare incidenter och dokumentation
  • Smart vidarebefordran av aviseringar baserat på innehållsförståelse och teamets expertis
  • Minskning av aviseringströtthet med AI-driven brusreducering

AI-assisterad orsaksanalys av fel

  • Generering av hypoteser från korrelation av telemetri från flera källor
  • Länkning av bevis: att koppla samman symptom över mätvärden, loggar och spårning (traces)
  • Guidad felsökning med interaktiva AI-diagnossessioner
  • Att bygga en orsaksanalys-agent med progressiv undersökning

Automatiserad incidenthantering och kommunikation

  • Generering av sammanfattningar av incidenter och statusuppdateringar från telemetri
  • Automatiserat utkast till post-mortem med rekonstruktion av tidslinjen
  • Kommunikation till intressenter anpassad efter teknisk eller ledande mottagare
  • Förslag på runbooks och automatiska rekommendationer för åtgärdning

Maskininlärning (ML) för observabilitet

  • Tidsserieprognos för kapacitetsplanering och prediktion av anomali
  • Basmodeller för detektering av anomali i mätvärden utan träning (zero-shot)
  • Embedding-baserad kartläggning av tjänstberoenden och upptäcktsarbete av topologi
  • Träning och distribution av lätta ML-modeller tillsammans med observabilitetspipelinear

Distribution i produktion och etik

  • Besvärande faktorer för latency och kostnad i realtids-observabilitet driven av AI
  • Dataintegritet och integritetsskydd: att säkerställa att LLMs inte läcker känslig telemetri
  • Mänsklig övervakning: när AI-diagnoser behöver validering av operatörerna
  • Mätning av effekten: MTTD, MTTR och mått för on-call-erfarenheten

Krav

  • Erfarenhet av observabilitetsverktyg såsom Prometheus, Grafana, Datadog eller OpenTelemetry.
  • Kunskap om koncept kring logghantering och mätvärden (metrics).
  • Grundläggande kunskaper i Python-skript för databearbetning.

Målgrupp

  • SRE-ingenjörer och ingenjörer inom observabilitet som inför AI-förbättrade verktyg.
  • Plattformsinngenjörer som bygger övervakningspipeline av nästa generation.
  • DevOps-ledare som utvärderar integration av LLM i incidentarbetsflöden.
 14 Timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier