Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 14 Stunden
Schulungsübersicht
Die KI-Observability-Landschaft
- Von Dashboards zu Gesprächen: Der Wandel hin zur KI-augmentierten Observabilität
- LLM-Fähigkeiten relevant für Observabilität: Zusammenfassung, Schlussfolgerung, Mustererkennung
- Architekturpattern: Einbetten von KI in bestehende Observability-Stacks
Natürlichsprachige Telemetrieabfrage
- Text-to-PromQL: Übersetzung natürlicher Sprache in Monitoring-Abfragen
- Natürlichsprachige Abfragen für Elasticsearch, OpenSearch und Loki-Log-Speicher
- SQL-Generierung aus natürlicher Sprache für strukturierte Telemetrie
- Erstellung eines Query-Assistant-Agents mit Werkzeugnutzung und Kontextverständnis
LLM-gestützte Log-Analyse
- Automatisiertes Parsing und Strukturieren von Logs mittels LLMs
- Anomalieerkennung in Log-Streams mittels Embedding-Ähnlichkeit
- Log-Clustering und Mustererkennung im großen Maßstab
- Generierung menschenlesbarer Erklärungen aus rohen Log-Sequenzen
Intelligentes Alerting und Incident-Anreicherung
- Alert-Korrelation und Deduplizierung mit semantischem Verständnis
- Automatisiertes Sammeln von Incident-Kontext aus Runbooks, früheren Incidents und Dokumentationen
- Intelligentes Alert-Routing basierend auf Inhaltsverständnis und Team-Expertise
- Reduzierung der Alert-Fatigue durch KI-gesteuerte Lärmreduktion
KI-unterstützte Root-Cause-Analyse
- Hypothesengenerierung aus der Korrelation multi-quelliger Telemetrie
- Evidence Chaining: Verbindung von Symptomen über Metriken, Logs und Traces hinweg
- Geführte Fehlersuche mit interaktiven KI-Diagnosesitzungen
- Erstellung eines Root-Cause-Analyse-Agenten mit progressiver Untersuchung
Automatisierte Incident-Antwort und Kommunikation
- Generierung von Incident-Zusammenfassungen und Status-Updates aus Telemetriedaten
- Automatisiertes Erstellen von Post-Mortems mit Timeline-Rekonstruktion
- Auf technische und geschäftliche Zielgruppen zugeschnittene Stakeholder-Kommunikation
- Empfehlung von Runbooks und automatisierte Remediation-Empfehlungen
ML für Observabilität
- Zeitreihenprognose zur Kapazitätsplanung und Anomalievorhersage
- Foundation Models für Zero-Shot-Anomalieerkennung bei Metriken
- Embedding-basierte Mapping der Service-Abhängigkeiten und Topologie-Erkennung
- Schulung und Bereitstellung leichter ML-Modelle alongside Observability-Pipelines
Produktionsbereitstellung und Ethik
- Latenz- und Kostenüberlegungen für Echtzeit-KI-Observabilität
- Datenschutz: Sicherstellung, dass LLMs keine sensiblen Telemetriedaten preisgeben
- Menschliche Aufsicht: Wann die KI-Diagnose durch Operatoren validiert werden muss
- Impact-Messung: MTTD, MTTR und Metriken der On-Call-Erfahrung
Voraussetzungen
- Erfahrung mit Observability-Tools wie Prometheus, Grafana, Datadog oder OpenTelemetry.
- Vertrautheit mit Konzepten der Log-Verwaltung und Metriken.
- Basiskenntnisse in Python-Skripting zur Datenverarbeitung.
Zielgruppe
- SRE- und Observability-Ingenieure, die KI-enhanced Tooling einführen.
- Platform-Ingenieure, die Monitoring-Pipelines der nächsten Generation aufbauen.
- DevOps-Leader, die die Integration von LLMs in Incident-Workflows evaluieren.
