Visão Geral

Este Curso AIOps Introduction,  (Operações de Inteligência Artificial) ensina os participantes a implantar com sucesso sistemas de IA e Ciência de Dados em escala. Os alunos aprendem como dividir um sistema ou pipeline em componentes funcionais, escalar diferentes tipos de processos e ajustar para vários tipos de requisitos de Big Data.

AIOps é uma abreviação para "Artificial Intelligence for IT Operations". É uma tecnologia que combina inteligência artificial, automação e análise de dados para ajudar as equipes de operações de TI a gerenciar e solucionar problemas em sistemas e aplicativos de forma mais eficiente.

AIOps usa técnicas de aprendizado de máquina, processamento de linguagem natural e análise de dados em larga escala para monitorar e analisar dados em tempo real de sistemas e aplicativos. Isso permite que as equipes de TI identifiquem problemas mais rapidamente e tomem medidas para solucioná-los antes que eles afetem a disponibilidade dos sistemas.

AIOps também pode ser usado para automatizar tarefas repetitivas, como resolução de problemas comuns e escalonamento de incidentes, liberando tempo para que as equipes de TI possam se concentrar em questões mais complexas. Além disso, a tecnologia AIOps permite uma melhor colaboração entre equipes de TI e outras áreas da empresa, como negócios e desenvolvimento, para solucionar problemas de forma mais rápida e eficiente.

Em resumo, AIOps é uma tecnologia que ajuda as equipes de TI a gerenciar seus sistemas e aplicativos de forma mais eficiente e ágil, usando técnicas de inteligência artificial, automação e análise de dados.

Objetivo

Após realizar este Curso AIOps Introduction, você será capaz de:

• Entenda a ciência de dados, incluindo o ciclo de vida da ciência de dados
• Entenda os tipos de aplicações de Machine Learning
• Entenda o que é AIOps e como ele se baseia no DevOps tradicional em um ambiente de nuvem
• Entenda as considerações para infraestruturas e topologias, incluindo variações locais, híbridas e de microsserviços
• Entenda a necessidade de explicabilidade do modelo, tanto de uma perspectiva técnica quanto de negócios
• Use AutoML e outras tecnologias de automação (usando exemplos da AWS)
• Trabalhar com dados intermediários em um pipeline

Aprender AIOps oferece uma série de vantagens, incluindo:

1. Melhoria da eficiência: AIOps ajuda a automatizar e otimizar o gerenciamento de operações de TI, permitindo que as equipes respondam mais rapidamente aos problemas e melhorem a eficiência geral.

2. Tomada de decisão baseada em dados: AIOps usa inteligência artificial e aprendizado de máquina para analisar grandes quantidades de dados de operações de TI e fornecer insights valiosos para a tomada de decisão.

3. Prevenção de falhas: AIOps ajuda a identificar problemas antes que eles causem falhas, permitindo que as equipes tomem medidas preventivas e evitem interrupções de serviços.

4. Maior visibilidade em operações de TI: AIOps fornece uma visão unificada das operações de TI, ajudando a equipe a entender melhor como os sistemas estão funcionando e onde estão as oportunidades de melhoria.

5. Melhoria da qualidade de serviço: AIOps permite que as equipes respondam mais rapidamente aos problemas e resolvam-nos de forma mais eficiente, o que leva a uma melhoria da qualidade de serviço para os clientes.

6. Redução de custos: AIOps ajuda a reduzir os custos de TI, permitindo que as equipes sejam mais eficientes e evitando interrupções de serviços que podem resultar em custos elevados.

Em resumo, AIOps é uma tecnologia valiosa que pode ajudar as equipes de TI a melhorar a eficiência, a qualidade de serviço e a reduzir os custos.

Pre-Requisitos

• Todos os alunos devem ter experiência em análise e/ou Python. 
• A familiaridade com a AWS ou outros ambientes de nuvem é altamente recomendável. 
• Os alunos devem ter familiaridade com a forma como a ciência de dados e o aprendizado de máquina são usados, pelo menos da perspectiva de negócios ou produtos. Uma compreensão geral do DevOps na nuvem também é fortemente incentivada.

Materiais

Conteúdo Programatico

Introduction

Data Science

1. Overview
2. Machine Learning
3. Asking the Right Questions
4. Artificial Intelligence: ML + Knowledge
5. The Data Science Pipeline
6. The Data Science Life Cycle
7. Data Science and AIOps

Machine Learning

1. ML for Analytics
2. ML for Prediction
3. ML for Regression
4. Scaling ML

AIOps

1. The Need for AIOps
2. The IT Operations Management Cycle

The Five Dimensions of AIOps

1. Data Set Selection
2. Pattern Discovery
3. Inference
4. Communications
5. Automation

Infrastructure and Topologies

1. Cloud, On-Premise, and Hybrid Cloud
2. Micro Services
3. Scaling
4. Cost Projections
5. The Failure of Traditional ITOM Technologies
6. Industry Examples

Model Explainability

1. Why are we getting these predictions?
2. Model reductions for explainability
3. Other trending techniques and solutions

Working with the Components

1. AWS
2. Data (AWS-S3)
   1. Compute (EC2, deploying an API, loading data from S3)
   2. AWS ML (an ML API endpoint)
3. Working Locally
   1. Data Wrangler
   2. Saving Intermediate Datasets
   3. Flask API’s
   4. Tableau for a Front End

Practical Exercise

1. Build a simple analytics app
2. Connect to data via API
3. Build a Data Science Pipeline as a middle layer
4. Connect to UI/front end (Tableau)

Emerging Trends

1. Emerging Technologies
2. Micro Services
3. Auto ML
4. NLP Trends and Techniques
5. Graph Databases and Network Graph Analysis