お問い合わせ

コース概要

オープンソースツールを用いたAIOps入門

  • AIOpsの概念とその利点について概説する
  • 可観測性スタックにおけるPrometheusおよびGrafanaの役割
  • 機械学習がAIOpsにどのように貢献するか:予測分析と事後対応型分析の比較

PrometheusおよびGrafanaのセットアップ

  • 時系列データ収集用にPrometheusをインストール・設定する
  • リアルタイムメトリクスを用いてGrafanaでダッシュボードを作成する
  • エクスポーター、ラベル再定義、サービスディスカバリーの活用方法について理解する

機械学習向けのデータ前処理

  • Prometheusから得られたメトリクスを抽出・変換する方法
  • 異常検出および将来予測用に適切なデータセットを準備する
  • Grafanaの変換機能やPythonによるデータ処理パイプラインを用いる方法

異常検出への機械学習の適用

  • 外れ値検出に利用可能な基本的な機械学習モデル(例:孤立森林、ワンクラスSVM)
  • 時系列データを用いたモデルの訓練および評価方法
  • Grafanaダッシュボード上で異常箇所を可視化する手法

機械学習によるメトリクス予測

  • 簡易な予測モデル(ARIMA、Prophet、LSTMの基礎など)の構築方法
  • システム負荷やリソース利用状況の予測手法
  • 得られた予測結果を活用した早期アラート発報およびスケーリング判断について理解する

機械学習とアラート・自動化処理の統合

  • 機械学習による出力結果や閾値に基づいてアラートルールを定義する方法
  • Alertmanagerおよび通知ルーティングの活用方法
  • 異常検出が発生した際にスクリプトや自動処理フローを起動させる仕組み

AIOpsの規模拡大と運用化

  • ELKスタック、Moogsoft、Dynatraceなど他の可観測性ツールとの統合方法
  • 機械学習モデルを実際の可観測性処理パイプラインに組み込む手順
  • ​大規模な環境においてAIOpsを運用するためのベストプラクティス

まとめおよび次のステップについて解説します

要求

  • システムモニタリングおよび可観測性の基本概念に関する理解
  • GrafanaまたはPrometheusの利用経験があること
  • Pythonおよび機械学習の基礎的な原理に馴染みがあること

対象者

  • 可観測性エンジニア
  • インフラおよびDevOpsチーム
  • モニタリング基盤の設計者やSRE(サイト信頼性エンジニア)
 14 時間

参加者の人数


参加者1人あたりの価格

今後のコース

関連カテゴリー