Implementación de AIOps con Prometheus, Grafana y ML

Introducción a AIOps con herramientas de código abierto

• Visión general de los conceptos y beneficios de AIOps
• Prometheus y Grafana en la pila de observabilidad
• El lugar del ML en AIOps: analítica predictiva frente a reactiva

Configuración de Prometheus y Grafana

• Instalación y configuración de Prometheus para la recopilación de series temporales
• Creación de paneles (dashboards) en Grafana utilizando métricas en tiempo real
• Exploración de exportadores, reetiquetado (relabeling) y descubrimiento de servicios

Preprocesamiento de datos para ML

• Extracción y transformación de métricas de Prometheus
• Preparación de conjuntos de datos para la detección de anomalías y la previsión
• Uso de las transformaciones de Grafana o tuberías (pipelines) en Python

Aplicación del aprendizaje automático para la detección de anomalías

• Modelos básicos de ML para la detección de valores atípicos (p. ej., Isolation Forest, One-Class SVM)
• Entrenamiento y evaluación de modelos en datos de series temporales
• Visualización de anomalías en los paneles de Grafana

Previsión de métricas con ML

• Creación de modelos simples de previsión (ARIMA, Prophet, introducción a LSTM)
• Predicción de la carga del sistema o el uso de recursos
• Uso de las predicciones para la alertas tempranas y decisiones de escalado

Integración de ML con alertas y automatización

• Definición de reglas de alertas basadas en la salida de ML o en umbrales
• Uso de Alertmanager y el enrutamiento de notificaciones
• Activación de scripts o flujos de trabajo de automatización ante la detección de anomalías

Escalado y operacionalización de AIOps

• Integración de herramientas externas de observabilidad (p. ej., stack ELK, Moogsoft, Dynatrace)
• Operacionalización de modelos de ML en tuberías de observabilidad
• Mejores prácticas para AIOps a gran escala

Resumen y próximos pasos