AIOps FoundationAIOFDIDevOpsDI-AIOF1.0<p>A l'issue de cette formation, vous serez en mesure de :
</p>
<ul>
<li>Comprendre les concepts fondamentaux et les principes clés de l’AIOps ;</li><li>Appréhender les concepts généraux du Big Data et de l’AI ainsi que la manière dont ils sont liés à l’AIOps ;</li><li>Connaître la relation entre AIOPs et MLOps ;</li><li>Être en mesure de quantifier les résultats d’une mise en œuvre d’AIOps à l’aide de métriques clés ;</li><li>Comprendre les défis et les opportunités d’utilisation de l’AIOps dans l’entreprise ;</li><li>Se préparer à la certification « AIOps Foundation℠ ».</li></ul><p>Il est recommandé d’avoir une bonne connaissance de la terminologie informatique ainsi qu’une première expérience dans le domaine IT</p><p>Tout professionnel impliqué dans les opérations informatiques. Inclus sans être restrictif :
</p>
<ul>
<li>Data Analysts et Data Scientists ;</li><li>Responsables informatiques ;</li><li>Scrum Masters, Product Owners ;</li><li>Ingénieurs logiciels ;</li><li>Ingénieurs en fiabilité des sites ;</li><li>Ingénieurs et praticiens DevOps…</li></ul><h5>Introduction</h5><h5>Qu’est-ce que l’AIOps ?</h5><ul>
<li>Historique et prédécesseurs.</li><li>Technologies de base et concepts fondamentaux.</li><li>Les étapes d'un système AIOps.</li></ul><h5>AIOps dans l’entreprise</h5><ul>
<li>Facteurs et influences.</li><li>AIOps et DevOps.</li><li>AIOps et la fiabilité des sites.</li><li>AIOps et la sécurité.</li></ul><h5>Au cœur des technologies : la donnée</h5><ul>
<li>Qu’est-ce que le Big Data ?</li><li>Les 5 V du Big Data.</li><li>Sources et types de données utilisés dans AIOps.</li><li>De la source à l’AIOps.</li></ul><h5>Machine Learning</h5><ul>
<li>AI et Machine Learning (ML).</li><li>Comment les modèles ML apprennent-ils ?</li><li>Apprentissage supervisé ou non supervisé ?</li><li>Analytique vs AI.</li><li>L’avenir de l’IA dans les OPS.</li></ul><h5>AIOps et les métriques OPS</h5><ul>
<li>Métriques et opérations.</li><li>Métriques clés à suivre.</li><li>Accords, objectifs et indicateurs.</li></ul><h5>Etat d’esprit des entreprises</h5><ul>
<li>Passer de la réactivité à la proactivité.</li><li>Du déterminisme au probabilisme.</li><li>Cas d’utilisation.</li></ul><h5>Evaluer l’impact de l’AIOps</h5><ul>
<li>AIOps et les métriques OPS.</li><li>AIOps, DevOps et SRE.</li><li>Améliorer la précision de l’AI.</li><li>Visibilité du système AIOps.</li></ul><h5>Mettre en oeuvre AIOps dans l’entreprise</h5><ul>
<li>Eviter les problèmes classiques.</li><li>Ethique et ML.</li><li>Les différentes voies d’implémentation.</li></ul><h5>Préparation à l’examen « AIOps Foundation℠ ».</h5><h5>Introduction</h5><h5>Qu’est-ce que l’AIOps ?</h5><ul>
<li>Historique et prédécesseurs.</li><li>Technologies de base et concepts fondamentaux.</li><li>Les étapes d'un système AIOps.</li></ul><h5>AIOps dans l’entreprise</h5><ul>
<li>Facteurs et influences.</li><li>AIOps et DevOps.</li><li>AIOps et la fiabilité des sites.</li><li>AIOps et la sécurité.</li></ul><h5>Au cœur des technologies : la donnée</h5><ul>
<li>Qu’est-ce que le Big Data ?</li><li>Les 5 V du Big Data.</li><li>Sources et types de données utilisés dans AIOps.</li><li>De la source à l’AIOps.</li></ul><h5>Machine Learning</h5><ul>
<li>AI et Machine Learning (ML).</li><li>Comment les modèles ML apprennent-ils ?</li><li>Apprentissage supervisé ou non supervisé ?</li><li>Analytique vs AI.</li><li>L’avenir de l’IA dans les OPS.</li></ul><h5>AIOps et les métriques OPS</h5><ul>
<li>Métriques et opérations.</li><li>Métriques clés à suivre.</li><li>Accords, objectifs et indicateurs.</li></ul><h5>Etat d’esprit des entreprises</h5><ul>
<li>Passer de la réactivité à la proactivité.</li><li>Du déterminisme au probabilisme.</li><li>Cas d’utilisation.</li></ul><h5>Evaluer l’impact de l’AIOps</h5><ul>
<li>AIOps et les métriques OPS.</li><li>AIOps, DevOps et SRE.</li><li>Améliorer la précision de l’AI.</li><li>Visibilité du système AIOps.</li></ul><h5>Mettre en oeuvre AIOps dans l’entreprise</h5><ul>
<li>Eviter les problèmes classiques.</li><li>Ethique et ML.</li><li>Les différentes voies d’implémentation.</li></ul><h5>Préparation à l’examen « AIOps Foundation℠ ».</h5>A l'issue de cette formation, vous serez en mesure de :
- Comprendre les concepts fondamentaux et les principes clés de l’AIOps ;
- Appréhender les concepts généraux du Big Data et de l’AI ainsi que la manière dont ils sont liés à l’AIOps ;
- Connaître la relation entre AIOPs et MLOps ;
- Être en mesure de quantifier les résultats d’une mise en œuvre d’AIOps à l’aide de métriques clés ;
- Comprendre les défis et les opportunités d’utilisation de l’AIOps dans l’entreprise ;
- Se préparer à la certification « AIOps Foundation℠ ».Il est recommandé d’avoir une bonne connaissance de la terminologie informatique ainsi qu’une première expérience dans le domaine ITTout professionnel impliqué dans les opérations informatiques. Inclus sans être restrictif :
- Data Analysts et Data Scientists ;
- Responsables informatiques ;
- Scrum Masters, Product Owners ;
- Ingénieurs logiciels ;
- Ingénieurs en fiabilité des sites ;
- Ingénieurs et praticiens DevOps…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.
Préparation à l’examen « AIOps Foundation℠ ».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.
Préparation à l’examen « AIOps Foundation℠ ».3 jours1490.001490.001235.001390.001490.001600.001490.00