Detailed Course Outline
Introduction
Qu’est-ce que l’AIOps ?
- Historique et prédécesseurs.
- Technologies de base et concepts fondamentaux.
- Les étapes d'un système AIOps.
AIOps dans l’entreprise
- Facteurs et influences.
- AIOps et DevOps.
- AIOps et la fiabilité des sites.
- AIOps et la sécurité.
Au cœur des technologies : la donnée
- Qu’est-ce que le Big Data ?
- Les 5 V du Big Data.
- Sources et types de données utilisés dans AIOps.
- De la source à l’AIOps.
Machine Learning
- AI et Machine Learning (ML).
- Comment les modèles ML apprennent-ils ?
- Apprentissage supervisé ou non supervisé ?
- Analytique vs AI.
- L’avenir de l’IA dans les OPS.
AIOps et les métriques OPS
- Métriques et opérations.
- Métriques clés à suivre.
- Accords, objectifs et indicateurs.
Etat d’esprit des entreprises
- Passer de la réactivité à la proactivité.
- Du déterminisme au probabilisme.
- Cas d’utilisation.
Evaluer l’impact de l’AIOps
- AIOps et les métriques OPS.
- AIOps, DevOps et SRE.
- Améliorer la précision de l’AI.
- Visibilité du système AIOps.
Mettre en oeuvre AIOps dans l’entreprise
- Eviter les problèmes classiques.
- Ethique et ML.
- Les différentes voies d’implémentation.