Visão Geral

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

Objetivo

Após realizare este Curso Introduction to AIOps você será capaz de:

• Compreender 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 sobre infraestruturas e topologias, incluindo variações locais, híbridas e de microsserviços
• Compreender a necessidade de explicabilidade do modelo, tanto do ponto de vista técnico quanto de negócios
• Use AutoML e outras tecnologias de automação (usando exemplos da AWS)
• Trabalhar com dados intermediários em um pipeline

Pre-Requisitos

• Experiência em análise e/ou Python. A familiaridade com AWS ou outros ambientes de nuvem é fortemente incentivada. 
• Os alunos devem estar familiarizados com a forma como a ciência de dados e o aprendizado de máquina são usados, pelo menos do ponto de vista comercial ou de produto. 
• Uma compreensão geral do DevOps em 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

The Data Science Life Cycle

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