Открыто

ИИ в работе DevOps-инженера [OTUS] [Станислав Шиков, Анатолий Бень, Михаил Чугунов]

Тема в разделе "Нейросети и искусственный интеллект", создана пользователем Топикстартер, 21 ноя 2026 в 12:25.

Основной список: 2 участников

  1. 21 ноя 2026 в 12:25
    #1
    Топикстартер
    Топикстартер Член клуба

    Складчина: ИИ в работе DevOps-инженера [OTUS] [Станислав Шиков, Анатолий Бень, Михаил Чугунов]

    final.png

    От запроса инженера до диагностики и устранения проблемы — такой путь проходит ИИ DevOps-агент в проекте курса OTUS. Вы научитесь создавать помощника, который анализирует инфраструктуру, метрики и логи, а также выполняет авторизованные операции. Отдельное внимание уделено контролю действий агентов и безопасности инфраструктуры.

    Автоматизируйте рутинные DevOps-задачи и быстрее разбирайтесь с инцидентами с помощью ИИ.

    Для кого этот курс?

    Курс рассчитан на специалистов, которые уже работают с инфраструктурой и хотят использовать искусственный интеллект не только для написания кода, но и в повседневных DevOps-задачах.
    1. DevOps-инженерам
      Курс поможет автоматизировать работу с инфраструктурой, Terraform и Ansible, CI/CD и Kubernetes, быстрее разбираться с ошибками и расследовать production-инциденты
    2. Разработчикам
      Которые участвуют в deployment и эксплуатации сервисов, будет полезно разобраться, как применять ИИ при работе с CI/CD, Docker, Kubernetes, мониторингом и инфраструктурой
    3. Системным администраторам и инженерам эксплуатации
      Курс покажет, как использовать ИИ для настройки и аудита конфигураций, автоматизации повторяющихся операций, мониторинга и поиска причин проблем
    Необходимые знания:
    • Опыт работы в DevOps, системном администрировании, разработке или эксплуатации от 1 года
    • Уверенное владение Linux, Git и принципами CI/CD
    • Опыт работы с Docker
    • Базовые знания Terraform/Ansible и Kubernetes
    • Знакомство с мониторингом, логированием, Bash или Python
    Что даст вам этот курс?

    Освойте применение ИИ во всём DevOps-контуре — автоматизируйте инфраструктуру и CI/CD, ускоряйте troubleshooting, работайте с Kubernetes и создавайте AI-агентов для production-задач.

    После обучения вы:
    • За три месяца вы научитесь применять ИИ во всех задачах DevOps-инженера: Terraform, Ansible и CI/CD до Kubernetes, Observability и production troubleshooting
    • Вы освоите AI-инструменты и агентов для автоматизации инфраструктуры, анализа метрик и логов, расследования инцидентов и выполнения многошаговых DevOps-задач через MCP
    Отдельное преимущество курса — безопасность ИИ в DevOps.

    Вы разберётесь, как проверять безопасность IaC и конфигураций, защищать контейнеры и Kubernetes, управлять секретами и контролировать действия AI-агентов при работе с production.

    В финале соберёте AI DevOps агента — собственного ИИ-помощника для эксплуатации инфраструктуры, который объединяет навыки всех модулей курса.

    Процесс обучения:

    Записи вебинаров: дважды в неделю по 2 академических часа (то есть астрономических 1,5 часа). Домашнее задание выдается в среднем раз в 2 недели, а его выполнение занимает 3-5 часов.

    Программа:

    Программа охватывает применение AI в IaC, CI/CD, Kubernetes, Observability, Incident Response и Security — от генерации конфигураций до расследования production-инцидентов.

    Свой проект:

    На протяжении курса студент создаёт собственного AI-агента, который работает с инфраструктурой, анализирует метрики, логи и выполняет авторизованные DevOps-операции.

    Портфолио:

    Домашние задания и выпускной проект формируют портфолио с практическими кейсами Terraform, Ansible, CI/CD, Kubernetes, мониторинга и AI-агентов, которые можно демонстрировать работодателю.

    Формат обучения:
    • Программа для профессионалов
      Альтернатива популярным программам "с нуля" - для профессионалов, кто хочет поднять свой грейд
    Проектная работа:

    На протяжении курса студент с нуля создаёт и развивает собственного AI-агента для DevOps-задач. Проект проходит через все ключевые этапы программы и постепенно превращается в полноценный инструмент для работы с инфраструктурой.

    В результате студент получает законченный ИИ DevOps workflow, а не набор отдельных учебных упражнений: от запроса инженера и анализа инфраструктуры до диагностики проблемы и её устранения.

    1. Что такое ИИ в DevOps и зачем он нужен DevOps-инженеру?

    ИИ в DevOps помогает автоматизировать рутинные инженерные задачи, работать с IaC, CI/CD, Kubernetes и системами мониторинга, а также быстрее находить причины production-инцидентов. На курсе вы разберёте, как применять AI-инструменты и AI-агентов в реальных процессах DevOps — от создания конфигураций до Incident Response.

    2. Как использовать ИИ для автоматизации DevOps-задач?

    На курсе вы научитесь применять ИИ для работы с Terraform и Ansible, создания и оптимизации CI/CD, анализа Kubernetes, метрик, логов и распределённых трассировок. Отдельное внимание уделяется AI-агентам, которые могут взаимодействовать с Git, Kubernetes, CI/CD и инфраструктурой и выполнять многошаговые задачи.

    3. Можно ли безопасно использовать ИИ и ИИ-агентов в production?

    Да. Безопасность — отдельный модуль программы. Вы разберёте защиту IaC и конфигураций, безопасность контейнеров и Kubernetes, управление секретами и контроль действий AI-агентов. Это позволяет выстраивать AI-powered DevOps workflow с учётом требований production-среды.

    4. Какие AI-инструменты и технологии изучаются на курсе?

    В программе используются современные AI-инструменты для DevOps, включая Cursor, Claude Code, GitHub Copilot и CLI-инструменты. Также вы познакомитесь с MCP и созданием AI-агентов, которые подключаются к инженерным системам и автоматизируют DevOps-задачи.

    5. Что я смогу сделать после курса «ИИ в работе DevOps-инженера»?

    Вы сможете применять ИИ для автоматизации инфраструктуры, CI/CD, Kubernetes и мониторинга, расследовать production-инциденты с помощью AI и создавать собственных AI-агентов для DevOps-задач. В рамках сквозного проекта вы соберёте AI DevOps Copilot — интеллектуального помощника, который анализирует данные инфраструктуры и мониторинга, помогает определить root cause инцидента и предлагает действия по его устранению.

    Программа:

    ИИ как рабочий инструмент DevOps:

    В этом модуле вы познакомитесь с возможностями ИИ в DevOps и сформируете базовый workflow работы с ИИ-инструментами для инфраструктурных и production-задач.
    • Тема 1: ИИ для DevOps: что действительно можно автоматизировать
    • Тема 2: ИИ-инструменты и агентный workflow DevOps-инженера
    • Тема 3: Промптинг для инфраструктуры и production-задач // ДЗ
    ИИ + Infrastructure as Code:

    В этом модуле вы рассмотрите, как использовать ИИ для создания, настройки, анализа и аудита инфраструктуры, описанной через Terraform и Ansible.
    • Тема 1: Terraform + ИИ: инфраструктура из требований
    • Тема 2: Ansible + ИИ: автоматизация конфигурации
    • Тема 3: ИИ-аудит инфраструктуры и IaC // ДЗ
    ИИ + CI/CD:

    В этом модуле вы изучите применение ИИ на этапах создания, оптимизации, диагностики и выпуска изменений через CI/CD.
    • Тема 1: ИИ для создания и оптимизации CI/CD
    • Тема 2: ИИ как CI/CD Troubleshooting Engineer
    • Тема 3: ИИ в Release Engineering // ДЗ
    ИИ + Kubernetes и эксплуатация:

    В этом модуле вы изучите использование ИИ для управления Kubernetes, расследования production-проблем и анализа производительности инфраструктуры.
    • Тема 1: ИИ для Kubernetes
    • Тема 2: ИИ для Production Troubleshooting
    • Тема 3: ИИ для анализа производительности и ресурсов // ДЗ
    ИИ + Observability:

    В этом модуле вы рассмотрите применение ИИ для анализа метрик, логов и трассировок, обнаружения проблем и автоматизации реагирования на инциденты.
    • Тема 1: ИИ + Prometheus и Grafana
    • Тема 2: ИИ + логи и распределённая трассировка
    • Тема 3: ИИ Incident Response и AIOps // ДЗ
    ИИ-агенты для DevOps:

    В этом модуле вы изучите создание ИИ-агентов, способных взаимодействовать с DevOps-инструментами и выполнять инженерные задачи через tool calling и MCP.
    • Тема 1: ИИ Agent для DevOps
    • Тема 2: MCP и подключение ИИ к инфраструктуре
    • Тема 3: Production DevOps Copilot // ДЗ
    ИИ Security и безопасная эксплуатация ИИ в DevOps:

    В этом модуле вы рассмотрите защиту IaC, контейнеров, Kubernetes, CI/CD и ИИ-агентов от ошибок, утечек данных и атак на ИИ-инструменты.
    • Тема 1: ИИ для анализа защищённости IaC и конфигураций
    • Тема 2: ИИ для безопасности контейнеров и Kubernetes
    • Тема 3: ИИ для защиты CI/CD и управления секретами
    • Тема 4: Безопасное использование ИИ в DevOps и защита от ИИ-атак // ДЗ
    Проектная работа:

    Заключительный месяц курса посвящен проектной работе. Свой проект — это то, что интересно писать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц.
    • Тема 1: Выбор темы и организация проектной работы // Проектная работа
    • Тема 3: Защита проектных работ и подведение итогов курса
    Практические задания:

    1. Задачи:
    1. Выберите один из бесплатных вариантов:
      • Локальная модель через Ollama (например, llama3.1 или mistral) и CLI-инструмент aichat или ellama
      • Расширение VS Code Continue с подключением к Ollama или Groq API
      • Бесплатный веб-доступ к ChatGPT / Claude (для ручного копирования промптов)
    2. Подключите выбранный инструмент к вашему GitLab-репозиторию (через CLI или расширение)
    3. Создайте файл prompts/base_prompts.md, содержащий:
      • Промпт для объяснения ошибки в логах CI/CD
      • Промпт для генерации простого Dockerfile
      • Промпт для проверки Terraform-конфигурации на безопасность
    4. Добавьте файл конфигурации для выбранного инструмента (например, .aichat/config.yaml или .continue/config.yaml), в котором пропишите базовые правила (system prompt), например: «Я DevOps-инженер, работаю с Kubernetes и Terraform. Отвечай кратко и по делу»
    Формат сдачи:

    Ссылка на GitLab-репозиторий, в котором есть папка homework/01-ai-setup/, содержащая:
    • prompts/base_prompts.md
    • Конфигурационный файл выбранного инструмента (например, .continue/config.yaml или .aichat/config.yaml)
    • README.md с описанием установки и использования
    2. Задачи:
    1. Напишите .gitlab-ci.yml в корне репозитория, включающий этапы:
      • Build — сборка Docker-образа (или подготовка артефакта)
      • Test — запуск простого теста (например, lint или проверка конфигурации)
      • Deploy — применение Terraform (или kubectl) для развёртывания
    2. Используйте бесплатные AI для генерации и оптимизации pipeline (например, для настройки кэша, параллелизма, выбора раннера)
    3. Добавьте шаг проверки безопасности: запуск tfsec или trivy (оба бесплатны и работают в GitLab CI)
    4. Убедитесь, что pipeline успешно выполняется на вашем self-hosted GitLab (можно использовать shell executor или docker)
    Формат сдачи:

    Ссылка на GitLab-репозиторий, в котором есть:
    • .gitlab-ci.yml в корне
    • homework/03-ci-cd/README.md с описанием AI-оптимизации и использованных промптов
    • Скриншот успешного прохождения pipeline в self-hosted GitLab
    3. Задачи:
    1. Создайте Kubernetes manifests (Deployment, Service) для вашего приложения (можно сгенерировать AI). Разверните их в minikube / kind
    2. Намеренно внесите ошибку (например, укажите несуществующий образ или недостаточно ресурсов)
    3. Соберите диагностическую информацию: kubectl describe pod, kubectl logs, kubectl get events
    4. Используя бесплатный AI (локальный или веб), проанализируйте вывод и определите причину ошибки
    5. Исправьте манифесты и проверьте, что под запускается
    6. Сохраните процесс диагностики и исправления в docs/troubleshooting-k8s.md с указанием, какие данные вы отправляли AI и какой ответ получили
    Формат сдачи:

    Ссылка на GitLab-репозиторий, в котором есть:
    • Папка k8s/ с манифестами (Deployment, Service)
    • docs/troubleshooting-k8s.md с описанием процесса диагностики
    • Скриншоты kubectl describe, kubectl logs, kubectl get events до и после исправления
    4. Задачи:
    1. Установите Prometheus и Grafana в тот же кластер (можно через Helm)
    2. Настройте сбор метрик с вашего приложения (например, через kube-state-metrics и node-exporter)
    3. Используйте бесплатный AI для генерации PromQL-запросов:
      • Загрузка CPU пода
      • Количество HTTP-ошибок (если есть)
      • Использование памяти
    4. Создайте дашборд в Grafana (можно через UI или экспортировать JSON) и сохраните его в observability/grafana-dashboard.json
    5. Настройте один алерт (например, на CPU > 80%) и сохраните правило в observability/alert-rules.yaml
    6. Задокументируйте, как AI помог составить запросы (в observability/README.md)
    Формат сдачи:

    Ссылка на GitLab-репозиторий, в котором есть папка observability/, содержащая:
    • grafana-dashboard.json
    • alert-rules.yaml
    • README.md с описанием AI-генерации запросов и настройки
    • Скриншоты дашборда и сработавшего алерта
    5. Задачи:
    1. Установите и запустите бесплатные сканеры:
      • Trivy для Docker-образа из ДЗ 3
      • Tfsec или checkov для Terraform-кода из ДЗ 2
      • Kubescape или kube-bench для Kubernetes-конфигураций из ДЗ 4
    2. Используйте AI (локальный / веб) для интерпретации результатов сканирования: какие проблемы критические, как их исправить
    3. Исправьте все критические и высокие уязвимости (или обоснуйте, почему их можно игнорировать)
    4. Составьте отчёт security/audit-report.md, включив:
      • Список найденных проблем
      • Действия, выполненные для исправления
      • Скриншоты / выводы команд
    Формат сдачи:

    Ссылка на GitLab-репозиторий, в котором есть:
    • security/audit-report.md с описанием найденных проблем и исправлений
    • Логи работы сканеров (trivy, tfsec / checkov, kubescape / kube-bench)
    • Исправленные файлы из предыдущих ДЗ
    6. Задачи:
    1. Напишите скрипт на Python (или bash + curl), который:
      • Принимает webhook от Grafana (или имитирует вызов с тестовым алертом)
      • Собирает информацию: kubectl get pods, kubectl describe pod, kubectl logs затронутого пода
      • Отправляет собранный контекст в бесплатную LLM (через Ollama API или Groq API) с промптом «Проанализируй возможные причины инцидента и предложи шаги»
      • Выводит ответ в консоль или сохраняет в файл
    2. Используйте один из бесплатных API-ключей (Groq предоставляет бесплатный лимит) или локальный Ollama
    3. Добавьте конфигурацию и инструкцию по запуску в agent/README.md
    4. Продемонстрируйте работу на примере алерта из ДЗ 5 (можно сымитировать алерт, отправив webhook вручную)
    Формат сдачи:

    Ссылка на GitLab-репозиторий, в котором есть папка agent/, содержащая:
    • Исходный код агента (Python или bash)
    • README.md с инструкцией по запуску
    • Пример работы: лог или скриншот, где агент получил алерт, собрал данные и вывел анализ
    • Файл с примером сформированного отчёта об инциденте
    Что должно получиться:

    Единый GitLab-репозиторий, в котором интегрированы все артефакты домашних заданий:
    • Terraform-конфигурация
    • CI/CD pipeline в self-hosted GitLab
    • Kubernetes-манифесты
    • Мониторинг (Prometheus + Grafana) с дашбордом и алертами
    • Отчёт по безопасности
    • AI-агент, который по алерту собирает данные, обращается к LLM и формирует отчёт об инциденте
    • Документация по развёртыванию и использованию
    Обязательные компоненты:
    • Terraform-код для инфраструктуры (ДЗ 2)
    • GitLab CI/CD pipeline с этапами build, test, security, deploy (ДЗ 3)
    • Kubernetes manifests и документация по устранению неполадок (ДЗ 4)
    • Prometheus / Grafana с дашбордом и алертами (ДЗ 5)
    • Отчёт по безопасности и исправленные уязвимости (ДЗ 6)
    • AI-агент (ДЗ 7), который:
      • Принимает алерт из Grafana
      • Собирает метрики, логи, состояние pod’ов через kubectl
      • Отправляет данные в локальную / бесплатную LLM и получает анализ
      • Записывает результат в docs/incidents/YYYY-MM-DD-alert.md или отправляет в чат (по желанию)
    • Инструкция по развёртыванию всего стека (README.md в корне)
    Формат сдачи:

    Ссылка на GitLab-репозиторий. В репозитории должны быть:
    • Git-тег final-project
    • Папка docs/ с итоговым отчётом по проекту (описание архитектуры, инструкция по запуску, результаты тестирования)
    • Видеодемонстрация на 3–5 минут, показывающая полный сценарий: алерт → сбор данных → ответ AI → отчёт
    • При необходимости - ZIP-архив с артефактами
    Весь процесс работает без платных сервисов.

    Что получите:
    • Записи вебинаров
    • Учебные материалы курса
    Авторы:

    Станислав Шиков, Анатолий Бень, Михаил Чугунов, Денис Кексель
    • Руководитель курса
    • Начальник отдела автоматизации, DevOps Engineer
    • ООО «Кодер»
    • Ведущий DevOps-инженер
    • DevOps-инженер
    • ВАЗСИСТЕМ
    • Опыт и достижения:
      • Более 18 лет опыта в разработке, архитектуре и построении высоконагруженных и отказоустойчивых систем, включая промышленное ПО, FinTech и платформенные решения
      • Спроектировал и внедрил отказоустойчивую событийно-ориентированную платформу на базе Kubernetes (DKP, VK Cloud), обеспечив стабильную работу критичных бизнес-процессов и доступность сервисов на уровне 99,9%
      • Построил полный цикл наблюдаемости (Prometheus, Grafana, Loki), внедрил SRE-практики (SLO/SLI, error budget), снизив время обнаружения и реакции на инциденты в production-среде
      • Внедрил GitOps-подход (ArgoCD, GitLab CI) и стандартизировал процессы CI/CD, существенно сократив время доставки изменений и устранив дрейф конфигураций между средами
      • Разрабатывал и внедрял DevSecOps-практики: интеграция SAST/DAST, управление секретами (Vault), повышение безопасности и надежности CI/CD-конвейеров
    • Технологии и экспертиза:
      Kubernetes, Docker, GitLab CI, ArgoCD, Helm, Terraform, Prometheus, Grafana, Loki, Vault, CI/CD, GitOps, SRE, DevSecOps, Linux/Unix, Kafka, облачные платформы (VK Cloud, on-prem решения), микросервисная архитектура, инфраструктурное проектирование, observability
    • Образование и сертификации:
      • Высшее техническое образование в области электроники и компьютерной инженерии
      • Дополнительное профессиональное образование и сертификации в области DevOps, Kubernetes и платформенной инженерии
    Старт 13 ноября.

    Цена 90250 руб.
    Скрытая ссылка
     
    1 человеку нравится это.
  2. Последние события

    1. Ramzes1
      Ramzes1 участвует в складчине.
      21 ноя 2026 в 22:46
    2. SP
      Serg-PSA13 участвует в складчине.
      21 ноя 2026 в 14:56