AIOps

Sadržaj

Prvi deo: Od klasičnih IT operacija do inteligentnog operativnog nadzora

AIOps povezuje veštačku inteligenciju, mašinsko učenje, observability, monitoring, logove, metrike, događaje, incidente, automatizaciju i svakodnevni rad IT operacija. Umesto da se veliki broj alarma, logova i ručnih provera posmatra odvojeno, AIOps uvodi razmišljanje o sistemu koji uči iz operativnih podataka, prepoznaje anomalije, povezuje događaje, smanjuje šum, pomaže u otkrivanju uzroka problema i podržava bržu reakciju timova. Prvi deo praktikuma objašnjava šta je AIOps, zašto je važan, kako se razlikuje od klasičnog monitoringa i kako se uklapa u DevOps, SRE, cloud native i enterprise IT okruženja.

I. Uvod u AIOps

1. Šta je AIOps – veštačka inteligencija u službi IT operacija 2. Zašto učiti AIOps – put od ručnog nadzora do inteligentnih operacija 3. DevOps, SRE i AIOps – kako se kultura, pouzdanost i inteligencija povezuju 4. Životni ciklus IT incidenta – od signala do rešavanja i učenja 5. AIOps uloge i timovi – operacije, DevOps, SRE, platform timovi i data timovi

II. Operativni podaci, monitoring i observability

6. Operativni podaci – logovi, metrike, tragovi, događaji i konfiguracije 7. Monitoring osnove – šta merimo, zašto merimo i kako tumačimo signale 8. Observability osnove – kako razumeti ponašanje složenog sistema 9. Logovi i log analitika – od tekstualnih zapisa do korisnog operativnog znanja 10. Metrike, događaji i tragovi – tri pogleda na rad sistema u produkciji

III. Anomalije, šum i korelacija događaja

11. Detekcija anomalija – kako prepoznati neobično ponašanje sistema 12. Alert fatigue – kada previše alarma sakrije stvarni problem 13. Korelacija događaja – povezivanje signala iz više izvora 14. Root cause analysis – traganje za stvarnim uzrokom incidenta 15. Topologija i zavisnosti – razumevanje odnosa između servisa, sistema i infrastrukture

IV. Mašinsko učenje u IT operacijama

16. Mašinsko učenje za operacije – praktična upotreba modela u nadzoru sistema 17. Klasifikacija incidenata – prepoznavanje vrste, prioriteta i oblasti problema 18. Prediktivna analitika – predviđanje zagušenja, kvarova i degradacije servisa 19. NLP za logove i tikete – razumevanje tekstualnih operativnih zapisa 20. Modeli, poverenje i ograničenja – kada AIOps pomaže, a kada mora čovek

Drugi deo: Automatizacija, incidenti, platforme, sigurnost i operativna zrelost

Kada se AIOps uvede u realno okruženje, cilj nije da zameni ljude, već da timovima pomogne da brže vide, razumeju i reše probleme. Inteligentne operacije zahtevaju kvalitetne podatke, dobro podešene alarme, jasne procedure, automatizovane reakcije, sigurnost, audit tragove i poverenje u sistem. Drugi deo praktikuma vodi kroz incident management, automatizaciju, runbook pristup, ChatOps, Kubernetes i cloud native okruženja, AIOps platforme, sigurnosne aspekte, governance i mini projekte koji pokazuju kako se AIOps može primeniti u praktičnom labu i enterprise radu.

V. Incident management, automatizacija i reakcija sistema

21. Incident management – organizovan odgovor na probleme u produkciji 22. Automatizacija reakcija – od upozorenja do kontrolisane akcije 23. Runbook i playbook – znanje tima pretvoreno u ponovljive procedure 24. ChatOps i operativni tok – saradnja tima kroz alate, poruke i automatizaciju 25. Smanjenje MTTR-a – kako AIOps ubrzava pronalaženje i rešavanje problema

VI. AIOps u cloud native, Kubernetes i enterprise okruženju

26. AIOps i Kubernetes – nadzor podova, node-ova, servisa i klastera 27. Mikroservisi i distribuirani sistemi – zašto je AIOps važan u složenim arhitekturama 28. Infrastruktura i kapaciteti – CPU, memorija, disk, mreža i predviđanje opterećenja 29. AIOps platforme i alati – praktičan pregled ekosistema za inteligentne operacije 30. Integracija sa ITSM alatima – tiketi, prioriteti, SLA i operativni procesi

VII. Sigurnost, governance i odgovorna upotreba AIOps-a

31. Sigurnost operativnih podataka – zaštita logova, metrika, tajni i pristupa 32. AIOps i cybersecurity – prepoznavanje sumnjivih obrazaca i sigurnosnih događaja 33. Governance i audit – odgovornost, tragovi odluka i kontrola automatizacije 34. Ljudski nadzor – zašto automatizacija mora imati granice i odobrenja 35. Etika i poverenje – odgovorna primena inteligencije u operativnom radu

VIII. Operativna zrelost, praksa i mini projekti

36. AIOps zrelost tima – od reaktivnog gašenja požara do proaktivnih operacija 37. Metrike uspeha AIOps-a – MTTR, broj alarma, dostupnost i kvalitet reakcije 38. Uvođenje AIOps-a u organizaciju – mali koraci, jasni ciljevi i realna očekivanja 39. Mini projekat – detekcija anomalija u metrikama i logovima 40. Mini projekat – korelacija događaja, incident i automatizovana reakcija

Zaključak: AIOps kao most između observability-ja, automatizacije, pouzdanosti i inteligentnih IT operacija