Mašīnmācīšanās algoritmu integrācija IT risinājumu izstrādes un uzturēšanas procesos (AIOps Foundation™)
ar PeopleCert DevOps Institute AIOps Foundation™ sertifikācijas eksāmenu
Kursa mērķis
Kurss iepazīstina ar galvenajiem principiem un pamatjēdzieniem, kā arī AIOps pamattehnoloģiju pielietošanu informācijas tehnoloģijas (IT) risinājumu izstrādes un uzturēšanas procesos. Kursa dalībnieki apgūs mašīnmācīšanās un lielo datu pamattehnoloģijas, kā arī mākslīgā intelekta pamatjēdzienus un dažādus mašīnmācīšanās modeļu veidus, kurus izmanto IT risinājumu izstrādes un uzturēšanas procesos efektivitātes, uzticamības un pieejamības uzlabošanai.
Mērķauditorija
IT uzturēšanas un izstrādes komandu dalībnieki
Biznesa vadītāji
Mākoņdatošanas inženieri
Datu inženieri un zinātnieki
DevOps inženieri un praktiķi
IT vadītāji
Scrum meistari
Sistēmu integratori
Kursa mērķis
Kurss iepazīstina ar galvenajiem principiem un pamatjēdzieniem, kā arī AIOps pamattehnoloģiju pielietošanu informācijas tehnoloģijas (IT) risinājumu izstrādes un uzturēšanas procesos. Kursa dalībnieki apgūs mašīnmācīšanās un lielo datu pamattehnoloģijas, kā arī mākslīgā intelekta pamatjēdzienus un dažādus mašīnmācīšanās modeļu veidus, kurus izmanto IT risinājumu izstrādes un uzturēšanas procesos efektivitātes, uzticamības un pieejamības uzlabošanai.
Mērķauditorija
IT uzturēšanas un izstrādes komandu dalībnieki
Biznesa vadītāji
Mākoņdatošanas inženieri
Datu inženieri un zinātnieki
DevOps inženieri un praktiķi
IT vadītāji
Scrum meistari
Sistēmu integratori
Tehnoloģijas
MĀCĪBU NORISE
20% teorija un 80% prakse
Mācības notiek tiešsaistē. Mācības notiek 2 reizes nedēļā pa 4 mācību stundām 6 nedēļu garumā. Mācību laikā dalībnieki apgūst teoriju, ko nostiprina ar praktiskajiem uzdevumiem un grupu projektu.
Projektos balstīta mācīšanās nozīmē darbu grupās, kad mācību dalībnieki izstrādā projektu, kas ir balstīts uz reālu darba situāciju, praktiski pielietojot nodarbībās apgūtās prasmes un zināšanas.
Darbs komandā
Praktiska pieredze
Projekta izstrāde
e-CF 4.1
B.2. Component Integration– L.2
C.1. User Support– L.2
C.3. Service Delivery – L.2
D.10. Information and Knowledge Management – L.4
E.5. Process Improvement– L.3
Caurviju kompetences
Emocionālā inteliģence
Komunikācija
Lēmumu pieņemšana
Problēmu risināšana
Komandas darbs
E-kompetences un caurviju kompetences
E-kompetences un caurviju kompetences
e-CF 4.1
B.2. Component Integration– L.2
C.1. User Support– L.2
C.3. Service Delivery – L.2
D.10. Information and Knowledge Management – L.4
E.5. Process Improvement– L.3
Caurviju kompetences
Emocionālā inteliģence
Komunikācija
Lēmumu pieņemšana
Problēmu risināšana
Komandas darbs
Priekšzināšanas
Lai arī šī mācību kursa apguvei nav oficiāli noteiktas priekšzināšanas, tomēr pieredze IT nozarē un DevOps praksē būs noderīga.
Sertifikācija
Kursa cenā ir iekļauts PeopleCert DevOps Institute AIOps Foundation™ sertifikācijas eksāmens.
Kursa tēmas
1. AIOps pamati
1.1. AIOps vēsture
1.2. AIOps nozīme
1.3. AIOps un IT darbības analīze
1.4. AIOps sistēmas posmi
2. AIOps un organizācijas digitālā transformācija
2.1. AIOps ieviešanas virzītājspēki un ietekmētāji
2.2. AIOps un DevOps savienošana
2.3. Vietnes uzticamība ar AIOps
2.4. Datu un sistēmu sarežģītības pārvaldība
3. Mākslīgā intelekta pamattehnoloģijas: Lielie dati
3.1. Lielie dati un to īpašības
3.2. AIOps datu avoti un veidi
3.3. Daudzveidīga datu navigācija
4. Mākslīgā intelekta pamattehnoloģijas: Mašīnmācīšanās
4.1. Mākslīgais intelekts un mašīnmācīšanās
4.2. Vadīta un nevadīta mašīnmācīšanās
4.3. Mašīnmācīšanās un datu analīze
4.4. Modeļu apmācība ar mašīnmācīšanos
5. AIOps un darbības rādītāji
5.1. Veiktspējas pārvaldība ar metriku palīdzību
5.2. Galvenās metrikas visās sistēmās
5.3. Vienošanās, mērķi un rādītāji
5.4. Incidentu pārvaldības metrikas
5.5. Incidentu kvantifikācija
5.6. Atbilstība pakalpojumu līmeņa līgumiem
6. AIOps izmantošanas gadījumi un organizācijas domāšanas veids
6.1. Reaktīvā un proaktīvā pieeja
6.2. Reaktīvās operatīvās pieejas raksturlielumi
6.3. Pāreja no deterministiskām uz varbūtiskām metodēm
6.4. Lietošanas gadījumi
6.5. AIOps ietekme uz organizācijas dinamiku
6.6. Pagātnes izsekošana un nākotnes prognozēšana
7. AIOps ietekme
7.1. AIOps un darbības rādītāji
7.2. AIOps, DevOps un vietņu uzticamības inženierija (SRE)
7.3. AIOps sistēmas redzamība
7.4. AIOps iniciatīvu ietekmes izsekošana
7.5. Iniciatīvu ietekmes uz ar incidentiem saistītiem rādītājiem izsekošana
7.6. AIOps novērtēšana attiecībā pret DORA metriku rādītājiem
8. AIOps ieviešana organizācijā
8.1. Biežāk sastopamo problēmu mazināšana
8.2. Ētikas jautājumu risināšana mašīnmācīšanās jomā
8.3. Plānošanas ceļi AIOps ieviešanai
8.4. Datu kvalitātes nodrošināšana
8.5. Datu un regulējuma standartu ievērošana
8.6. Privātuma un lietotāju datu aizsardzība
Mācīšanās rezultāti
Pēc veiksmīgas mācību programmas apguves dalībnieki spēs:
Izskaidrot mašīnmācīšanās pamattehnoloģijas, lielos datus, tostarp dažādus īstenojamo mašīnmācīšanās modeļu veidus.
Analizēt AIOps, MLOps, DevOps un vietņu uzticamības savstarpējās saiknes IT operāciju kontekstā.
Analizēt priekšrocības un izaicinājumus, kas saistīti ar AIOps ieviešanu organizācijā.
Plānot pasākumus, lai nodrošinātu netraucētu un veiksmīgu mākslīgā intelekta integrāciju ikdienas IT risinājumu darbībā.
