KURS & WEITERBILDUNG
ML & AI for DevOps
Nutzen Sie Machine Learning und KI, um DevOps-Prozesse mit Predictive Observability, Anomalieerkennung, Forecasting und Log Intelligence zu verbessern.
Online
CHF 1'250
Live-Unterricht mit Kursleitung, öffentlich oder privat.
Vor Ort
CHF 2'500
Vor Ort als öffentlicher Kurs oder Teamkurs.
Privater Teamkurs
Auf Anfrage
Privater Kurs, abgestimmt auf Ihr Engineering-Team.
Für wen ist dieser Kurs?
DevOps Engineers
Setzen Sie Forecasting, Anomalieerkennung und Log Intelligence in alltäglichen Plattformabläufen ein.
SRE Engineers
Verbessern Sie Incident-Analyse, Reliability Scoring und Betriebsentscheidungen mit ML-gestützten Signalen.
Platform Engineers
Erkunden Sie, wie KI-gestützte Werkzeuge Observability, Automatisierung und interne Developer Platforms unterstützen.
Was Sie lernen
ML-Anwendungsfälle in DevOps verstehen
Setzen Sie ML für Incident-Prognosen, proaktive Skalierung, intelligentes Alerting, Self-Healing und Reliability Scoring ein.
Forecasting und Anomalieerkennung entwickeln
Arbeiten Sie mit Zeitreihenmodellen, Anomalieerkennung und Alerting für Systemmetriken und Logs.
NLP auf Betriebsdaten anwenden
Klassifizieren Sie Logs, gruppieren Sie ähnliche Incidents und gewinnen Sie Kontext für Eskalation und Root Cause Analysis.
KI-gestützte Observability-Pipelines bereitstellen
Verbinden Sie Training, Serving und Visualisierung zu praktischen Monitoring- und Entscheidungsabläufen.
VORAUSSETZUNGEN
Was Teilnehmende mitbringen sollten
Erwartet werden Kenntnisse in DevOps, Python-Scripting sowie Grundlagen zu Systemmetriken, Logs und Monitoring. Erste Erfahrung mit Machine Learning ist von Vorteil.
VORBEREITUNG
Vor Kursbeginn
Bereiten Sie sich auf praktische Arbeit mit ML-Umgebungen, Experiment Tracking, Forecasting-Pipelines, API-Deployment und Log-Analysen vor.
LEHRPLAN
Inhalte von ML & AI for DevOps
Der Kurs ist online, vor Ort und als privater Teamkurs verfügbar. Inhalte können an Observability-Stack, Betriebsdaten und Plattformvorgaben der Teilnehmenden angepasst werden.
Grundlagen von Machine Learning für DevOps
Tag 1
ML in DevOps-Abläufen und eine erste Prognosepipeline für Reliability.
Grundlagen von Machine Learning für DevOps
Tag 1
ML in DevOps-Abläufen und eine erste Prognosepipeline für Reliability.
Theorie
- Wo, warum und wie DevOps auf ML trifft
- Observability 2.0 von reaktiv zu prädiktiv
- Architektur ML-gestützter DevOps-Plattformen
- ML-Workflow von Daten über Modell bis Deployment und Monitoring
- Feature Engineering für Systemmetriken und Logs
Praxis
- Random Forest und XGBoost für Reliability Scoring trainieren und bewerten
- Experimente mit MLflow und Versionen mit Git verwalten
- ML-Anwendung mit Docker containerisieren
- Modellergebnisse für Betriebsentscheidungen interpretieren
Zeitreihenmodellierung und Forecasting
Tag 2
Systemverhalten prognostizieren und Anomalieerkennung für Betriebsmetriken aufbauen.
Zeitreihenmodellierung und Forecasting
Tag 2
Systemverhalten prognostizieren und Anomalieerkennung für Betriebsmetriken aufbauen.
Theorie
- Systemmetriken als Zeitreihen
- Forecasting und Anomalieerkennung
- Saisonalität, Trend, Granularität und Rauschen
- ARIMA und Holt-Winters
- Prophet, LSTM und Facebook Kats
Praxis
- Forecasting-Pipeline für Betriebsmetriken bauen
- Anomalien mit Isolation Forest und DBSCAN erkennen
- Realtime Inference mit Prometheus oder InfluxDB sowie Streaming mit Kafka oder Spark untersuchen
- Forecasting-API mit FastAPI bereitstellen
- Prognosen und Alerts in Grafana visualisieren
NLP für Logs und intelligente Incident Analysis
Tag 3
Log Intelligence, Incident-Gruppierung und ein durchgängiger Monitoring-Ablauf.
NLP für Logs und intelligente Incident Analysis
Tag 3
Log Intelligence, Incident-Gruppierung und ein durchgängiger Monitoring-Ablauf.
Theorie
- NLP-Grundlagen für DevOps
- Tokenisierung und Embeddings mit TF-IDF, Word2Vec und BERT
- Log-Klassifikation, Root Cause Extraction und semantische Suche
- Ähnlichkeitsbasierte Incident-Gruppierung
- Zusammenfassung und Eskalationsunterstützung
Praxis
- NLP-Modell für Log-Klassifikation bauen
- Incidents gruppieren und Zusammenfassungen erzeugen
- Forecasting, Anomalieerkennung und NLP in einer Pipeline verbinden
- System mit realen oder simulierten Produktionsdaten bewerten
TECHNOLOGIEN
Technologien in ML & AI for DevOps
Diese Werkzeuge werden im öffentlichen Kurs eingesetzt. Für private Teamkurse passen wir den Stack und den Ablauf an Ihr Team an.
ML & AI for DevOps für Ihr Team?
Führen Sie den Kurs online oder vor Ort durch, angepasst an Ihren Stack und Ihre Lernziele.
LEITENDE KURSLEITUNG
Rouaa Ben Ayed
Leitende Kursleitung für AI for DevOps
DevOps Engineer bei Swiss Digital Network. Sie vermittelt den Einsatz von Machine Learning und KI für Observability, Anomalieerkennung, Forecasting und intelligente Betriebsabläufe.
Kommende Kurse
Häufig gestellte Fragen
Antworten zu ML & AI for DevOps.
Brauche ich fundierte ML-Kenntnisse für ML & AI for DevOps?
Nein. Wichtig sind Python, Betriebsdaten und DevOps-Abläufe. Die relevanten ML-Verfahren werden im Kontext eingeführt.
Bauen die Teilnehmenden echte KI-Abläufe?
Ja. Die Labs umfassen Experiment Tracking, Anomalieerkennung, Forecasting, API-Deployment und Log-Analyse.
Kann AI for DevOps an unsere Plattform angepasst werden?
Ja. Private Kurse können mit Ihren Metriken, Logs, Incident-Abläufen und Plattformvorgaben arbeiten.