Kontakt aufnehmen

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.
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien