Hands-on AIOps: Best Practices Guide to Implementing AIOps

به راهنمای عملی هوش مصنوعی برای عملیات فناوری اطلاعات (AIOps) خوش آمدید. این کتاب پوشش عمیقی از جمله عملیات و جنبه های فنی ارائه می دهد. اصول یادگیری ماشین (ML) و هوش مصنوعی (AI) که هسته AIOps را تشکیل می‌دهند و همچنین پیاده‌سازی چندین AIO از موارد با استفاده از الگوریتم‌های ML توضیح داده شده است.

این کتاب با مروری بر AIOps آغاز می‌شود، که ارتباط و مزایای آن در چشم‌انداز عملیات فعلی فناوری اطلاعات را پوشش می‌دهد. نویسندگان در مورد تکامل AIOps، معماری، فن‌آوری‌ها، چالش‌های AIOps و موارد استفاده عملی مختلف برای پیاده‌سازی موثر AIOps و بهبود مستمر آن بحث می‌کنند. این کتاب راهنمایی دقیق در مورد نقش AIOps در مهندسی قابلیت اطمینان سایت (SRE) و مدل‌های DevOps ارائه می‌کند و توضیح می‌دهد که چگونه AIOps اصول کلیدی SRE را فعال می‌کند.

این کتاب بهترین شیوه های آماده برای استفاده را برای پیاده سازی AIOps در یک سازمان ارائه می دهد. هر مؤلفه AIOps و ML با استفاده از کد و الگوهای Python توضیح داده شده است و نشان می دهد که چگونه ML می تواند برای ارائه موارد استفاده AIOps برای عملیات IT استفاده شود.

• بدانید AIOps چیست و فناوری‌های مربوط به آن چیست
• درک ارتباط AIOps از طریق موارد استفاده
• درک فعالسازی AIOps در SRE و DevOps
• آشنایی با فناوری‌ها و الگوریتم‌های AI و ML
• استفاده از الگوریتم‌ها برای پیاده‌سازی موارد استفاده AIOps
  
• از بهترین شیوه ها و فرآیندها برای راه اندازی شیوه های AIOps در یک شرکت استفاده کنید
• اصول را بدانید ML و یادگیری عمیق
• مطالعه یک مورد استفاده عملی در مورد تکرار نشدن در AIOps
• استفاده از تکنیک های رگرسیون برای خط پایه خودکار
• استفاده از تکنیک های تشخیص ناهنجاری در AIOps

این کتاب برای چه کسانی است

علاقه مندان به AIOps، مشاوران نظارت و مدیریت، مهندسان قابلیت مشاهده، مهندسین قابلیت اطمینان سایت، زیرساخت ها معماران، مشاوران نظارت بر ابر، کارشناسان مدیریت خدمات، معماران DevOps، مهندسان DevOps و کارشناسان DevSecOps

Welcome to your hands-on guide to artificial intelligence for IT operations (AIOps). This book provides in-depth coverage, including operations and technical aspects. The fundamentals of machine learning (ML) and artificial intelligence (AI) that form the core of AIOps are explained as well as the implementation of multiple AIOps uses cases using ML algorithms.

The book begins with an overview of AIOps, covering its relevance and benefits in the current IT operations landscape. The authors discuss the evolution of AIOps, its architecture, technologies, AIOps challenges, and various practical use cases to efficiently implement AIOps and continuously improve it. The book provides detailed guidance on the role of AIOps in site reliability engineering (SRE) and DevOps models and explains how AIOps enables key SRE principles.

The book provides ready-to-use best practices for implementing AIOps in an enterprise. Each component of AIOps and ML using Python code and templates is explained and shows how ML can be used to deliver AIOps use cases for IT operations.

• Know what AIOps is and the technologies involved
• Understand AIOps relevance through use cases
• Understand AIOps enablement in SRE and DevOps
• Understand AI and ML technologies and algorithms
• Use algorithms to implement AIOps use cases
  
• Use best practices and processes to set up AIOps practices in an enterprise
• Know the fundamentals of ML and deep learning
• Study a hands-on use case on de-duplication in AIOps
• Use regression techniques for automated baselining
• Use anomaly detection techniques in AIOps

Who This Book is For

AIOps enthusiasts, monitoring and management consultants, observability engineers, site reliability engineers, infrastructure architects, cloud monitoring consultants, service management experts, DevOps architects, DevOps engineers, and DevSecOps experts