Formation Mise en œuvre d’AIOps avec Prometheus, Grafana et l’apprentissage automatique

Introduction à l’AIOps avec des outils open source

• Vue d’ensemble des concepts et des avantages de l’AIOps
• Prometheus et Grafana dans la pile d’observabilité
• Rôle du ML dans l’AIOps : analyse prédictive par rapport à l’analyse réactive

Configuration de Prometheus et de Grafana

• Installation et configuration de Prometheus pour la collecte de séries temporelles
• Création de tableaux de bord dans Grafana à l’aide de métriques en temps réel
• Exploration des exporteurs, du ré-étiquetage (relabeling) et de la découverte de services

Prétraitement des données pour le ML

• Extrait et transformation des métriques Prometheus
• Préparation des jeux de données pour la détection d’anomalies et la prévision
• Utilisation des transformations de Grafana ou des pipelines Python

Application de l’apprentissage automatique à la détection d’anomalies

• Modèles de ML de base pour la détection des valeurs aberrantes (p. ex., Isolation Forest, One-Class SVM)
• Entraînement et évaluation des modèles sur des données temporelles
• Visualisation des anomalies dans les tableaux de bord Grafana

Prévision des métriques avec le ML

• Construction de modèles de prévision simples (ARIMA, Prophet, introduction aux LSTM)
• Prévision de la charge système ou de l’utilisation des ressources
• Utilisation des prévisions pour l’alerte précoce et les décisions de mise à l’échelle

Intégration du ML avec l’alerte et l’automatisation

• Définition de règles d’alerte basées sur la sortie du ML ou sur des seuils
• Utilisation d’Alertmanager et du routage des notifications
• Déclenchement de scripts ou de flux de travail d’automatisation lors de la détection d’anomalies

Mise à l’échelle et opérationnalisation de l’AIOps

• Intégration d’outils d’observabilité externes (p. ex., pile ELK, Moogsoft, Dynatrace)
• Opérationnalisation des modèles de ML dans les pipelines d’observabilité
• Bonnes pratiques pour l’AIOps à grande échelle

Résumé et prochaines étapes