Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 04 • AIOPS
Demandas crescentes :
• Internet das coisas
• Big Data
• Inteligência artificial
Monitoração de Serviços de TI
Como Como
monitorar o monetizar a
seu uso cobrança
Monitoração de Serviços
Contêineres Monitoramento
aumentaram a de serviços:
complexidade requer coleta,
do MÉTRICAS armazenamento
gerenciamento e análise de
dados
+
LOGS TRACING
de desempenho
convertidos de texto para um
formato definido
Monitoração
Observabilidade de Serviços
Agregação de log:
I consolidar os diversos logs de aplicativos
Registro de auditoria:
III atividades dos usuários são guardadas em um BD
Rastreamento distribuído:
IV armazena horário de início e término de cada chamadas
Rastreamento de exceções:
V registra todas as exceções, notificando os desenvolvedores
Desenvolvimento ágil
trouxe
responsabilidades
compartilhadas
Quem será o
novo público
desses
relatórios?
Monitoração de Microserviços
De onde vêm os
dados para
Executivos de realizar essas
Negócio análises?
buscam
indicadores
chave de
desempenho
(KPIs)
Monitoração de Microserviços
SRE (Monitoração)
• Saúde e desempenho de serviços críticos de
negócios
• APIs consumidas por HTTP
• Dados sobre o uso podem gerar conhecimento
para tomar decisão
DevOps
• trabalho colaborativo para entregar o serviço
• automatiza ciclos de lançamento (CI/CD)
• uso de Service Mesh
Monitoração de Microserviços
Negócios Segurança
• BizDevOps • DevSecOps
BD de Séries Temporais
BD de Séries Temporais
Sobrescreve dados,
Requer mais espaço, pois
descartando os antigos,
possui crescimento acelerado
otimizando espaço
BD de Séries Temporais
https://db-engines.com/en/ranking_categories
Responder: "Está
funcionando?"
Métricas Monitoramento
caixa preta Avalia disponibilidade ou
desempenho
Métricas
Logs
Tracing
Monitoração de Microserviços
Avaliação de performance
APM Monitoração
Service logging
(nginx, mysql)
APP logging
Demo:
https://demo.elastic.co/
Monitoração de Microserviços
Exemplos:
https://github.com/stefanprodan/dockprom
Monitoração de Microserviços
Processamento,
Exemplo: monitoramento e
alerta baseado em
https://github.com/influxdata/TICK-docker/ séries temporais
Vamos nos Divertir!
Monitoração e
Observabilidade
O que vimos até aqui:
• Telemetria
AIOPS
(ARTIFICIAL INTELLIGENCE
for IT OPERATIONS)
AIOPS : IA para Operações de TI
SUPERVISIONADO dados
1) Encontrar um rosto
2) Identificar características únicas
3) Comparar com uma base existente
AIOPS : ML versus Deep Learning
depende do tipo de
TÉCNICAS DE MACHINE LEARNING resposta que estamos
procurando
É um tumor?
Sim/Não
Quanto custa
uma casa?
Separar
elementos
AIOPS : ML versus Deep Learning
TÉCNICAS DE MACHINE LEARNING
É um tumor?
Sim/Não
Quanto custa
uma casa?
AIOPS : ML versus Deep Learning
TÉCNICAS DE MACHINE LEARNING
Outras variáveis
influenciam o
preço
Distância do
centro
X
Número de
quartos
AIOPS : ML versus Deep Learning
TÉCNICAS DE MACHINE LEARNING
Principais diferenças
Tom de voz
(ex: suave)
Volume da
voz
(ex: baixo)
Timbre
(ex: agudo)
AIOPS : ML versus Deep Learning
TÉCNICAS DE MACHINE LEARNING
Fonte: Fonte:
https://noticias.uol.com.br/tecnologia/noticias/reuters/2018/10/11/voce-esta- https://noticias.uol.com.br/tecnologia/noticias/redacao/2018/11/13/testemunha-
demitido-amazon-abandona-robo-recrutador-que-virou-machista.htm incomum-alto-falante-da-amazon-podera-resolver-assassinato.htm
AIOPS : ML versus Deep Learning
RESUMO: principais Casos de Usos
Definição de AIOPS
Funcionalidades
de big data
Inteligência
Insights baseados em
Artificial em
aprendizado de máquina
TI fornece
Dados do
Service Desk
Agentes de Coletores de
Infraestrutura Redes Sociais
Métricas
Logs e Métricas
coletadas por
de Aplicações
Usuários
AIOPS : Funcionalidades em DevOps
Análise de causa raiz
DEV OPS
Identificar Estabelecer
oportunidades e procedimentos para
cenários para aplicação operações com base
de ML em algoritmos
preditivos
AIOPS : Visão Geral da Arquitetura
Visualização: Insights correlacionados / analisados
Visualizações
das informações
para Tomada de
Decisão
Análises de
informações em
tempo real
Ingestão de dados
a partir de várias
fontes
Vamos nos Divertir!
O que vimos até aqui:
• Aprendizagem por Machine Learning (ML)
- Supervisionada
- Não Supervisionada
- por Reforço
• AIOPS e os Profissionais de TI
• Funcionalidades de AIOPS
CASOS DE USO
Desafios em ANALYTICS
DADOS
Desafios em ANALYTICS
QUAIS RELAÇÕES EXISTEM ENTRE
AIOPS E BIG DATA ANALYTICS ?
Desafios em ANALYTICS
HIPÓTESES
Recursos de TI
Desafios em ANALYTICS
DATA
Demandas e perguntas
DRIVEN
das áreas de negócios DECISIONS
Desafios em ANALYTICS : ETL x ELT
Desafios em ANALYTICS : ETL x ELT
AGILIDADE NAS
DECISÕES
CASO DE USO: DATA PIPELINE
FONTE: https://www.wipro.com/analytics/dataops-an-antidote-for-data-value-chain-challenges/
Casos de Uso
FONTE: https://www.unraveldata.com/resources/dataops-aiops-and-mlops/
Práticas para projetos de Data Science
AIOps
Práticas para projetos de Data Science
Qualidade
Fonte https://docs.microsoft.com/en-us/azure/machine-learning/how-to-understand-automated-ml
Práticas para projetos de Data Science
Práticas para projetos de Data Science
https://www.datascience-pm.com/crisp-dm-still-most-popular/
Práticas para projetos de Data Science
BRAINSTORM
(explorar perguntas que gerem valor)
6 passos
CRISP-DM são feitos
consiste várias
em 6 vezes
passos (dentro de
cada
sprint)
VALOR
https://www.datascience-pm.com/crisp-dm-2/
Práticas para projetos de Data Science
https://www.datascience-pm.com/crisp-dm-2/
O que é DATAOPS?
SCRUM
O que é DATAOPS?
DATA DRIVEN SCRUM
KANBAN
https://www.datascience-pm.com/data-driven-scrum/
Práticas para projetos de Data Science
FONTE: https://trends.google.com.br/trends/explore?date=today%205-y&q=dataops,aiops,mlops
Estudo de Caso
FONTE: https://www.gartner.com/en/information-technology/glossary/aiops-artificial-intelligence-operations
Estudo de Caso
Vimos a capacidade do ML
auxiliar na previsão e detecção Tecnologia
de anomalias que sustenta
AIOps não é
mágica
Qual o custo de
Se o algoritmo
redimensionar
sugerir um filme
incorretamente
ou título de
uma LUN? Ou,
música que o
excluir
cliente não gosta,
incorretamente
há risco
dados
controlado
arquivados?
Como lidar com Big Data Monitoring?
Volume de eventos é exponencial
Notícias Anúncios
Ranking
Digital Experience
https://blog.newrelic.com/engineering/how-rum-works/
Digital Experience
Cliente Microserviço
Semelhante a
aplicativos
Funciona
off-line com
cache local
Acessado de
qualquer
dispositivo e Suporta
navegador
mensagens
push, HTTPS e
atualização
Digital Experience
Fonte: https://micro-frontends.org/
Digital Experience
Práticas de Gerenciamento:
DevOps
+
AIOps
DevOps X AIOps
Modo 2
• objetivo de maior • resolver novos problemas
estabilidade
• áreas de incerteza
• requisitos são bem
compreendidos com
antecedência
• capacidade de gerenciar a
incerteza
• áreas mais previsíveis
• projetos voltados a
• adequar o ambiente inovação organizacional
legado para o mundo da
transformação digital
O que nos espera?
No futuro, TI poderá gerenciar uma
camada de agentes inteligentes de
monitoramento e automação
Vamos nos Divertir!
O que vimos até aqui:
• Desafios em TI Bimodal
OBRIGADO
/andre-pontes-sampaio