聯繫我們

課程簡介

AI可觀測性生態

  • 從儀表板到對話:轉向AI增強型可觀測性。
  • 與可觀測性相關的LLM能力:摘要、推理、模式匹配。
  • 架構模式:將AI整合至現有可觀測性堆疊。

自然語言遙測查詢

  • Text-to-PromQL:將自然語言轉換為監控查詢。
  • Elasticsearch、OpenSearch和Loki日誌存儲的自然語言查詢。
  • 從自然語言生成結構化遙測數據的SQL代碼。
  • 構建具備工具使用能力和語境感知能力的查詢輔助代理。

LLM驅動的日誌分析

  • 利用LLM進行自動化的日誌解析和結構化。
  • 使用嵌入相似度在日誌流中檢測異常。
  • 大規模下的日誌聚類和模式發現。
  • 從原始日誌序列生成易於人類閱讀的解釋。

智能警報與事件豐富化

  • 具備語義理解能力的警報關聯和去重。
  • 從運行手冊、歷史事件和文檔中自動收集事件語境。
  • 基於內容理解和團隊專業知識的智能警報路由。
  • 通過AI驅動的降噪減少警報疲勞。

AI輔助根本原因分析

  • 從多源遙測數據關聯中生成假設。
  • 證據鏈結:連接指標、日誌和追蹤中的症狀。
  • 透過互動式AI診斷會話進行引導式故障排除。
  • 構建具備漸進式調查能力的根本原因分析代理。

自動化事件回應與溝通

  • 從遙測數據生成事件摘要和狀態更新。
  • 透過時間線重建自動撰寫事後報告。
  • 針對技術和管理層受眾量身打造的利益相關者溝通策略。
  • 運行手冊建議及自動化修復推薦。

可觀測性中的機器學習

  • 用於容量規劃和異常預測的時間序列預測。
  • 使用基礎模型對指標進行零樣本異常檢測。
  • 基於嵌入的服務依賴關係映射拓撲發現。
  • 在可觀測性管道旁訓練和部署輕量級ML模型。

生產環境部署與倫理

  • 實時AI可觀測性的延遲與成本考量。
  • 數據隱私:確保LLM不會洩露敏感遙測數據。
  • 人類監督:何時需要操作員驗證AI診斷結果。
  • 影響評估:監控MTTD、MTTR及值班體驗指標。

最低要求

  • 具備Prometheus、Grafana、Datadog或OpenTelemetry等可觀測性工具的經驗。
  • 熟悉日誌管理和指標概念。
  • 具備用於數據處理的基本Python腳本編寫能力。

受眾對象

  • 採用AI增強工具的可觀測性工程師和SRE工程師。
  • 構建下一代監控管道的平台工程師。
  • 評估將LLM整合至事件工作流程的DevOps負責人。
 14 小時

人數


每位參與者的報價

即將到來的課程

課程分類