🔔 Overengineering, который медленно убивает ваш продукт: вебинар через 15 минут!

Со спикером Виталием Лихачевым:

🔹 Разберём разные кейсы: от раздутых пайплайнов до излишнего увлечения надежностью
🔹 Поговорим о причинах overengineering – от карго культа до CV driven development.
🔹 Выясним, как неусложнять себе жизнь без строгой необходимости.

Присоединиться к вебинару ➡️ по ссылке.

Несём дайджест полезных материалов за сегодня.


➡️ До и после: как CI/CD меняет повседневную работу.
Забыли поменять конфиг, не запустили тесты, staging отличается от прода — так выглядят большинство релизов до CI/CD. После внедрения CI/CD любое изменение попадает в пайплайн, всё собирается и тестируется автоматически и не только.

На практикуме по CI/CD мы разбираем не только «как настроить пайплайн», но и как выстроить процесс, чтобы он реально работал. Начнём 21 июля. Подробности — на сайте.


➡️ Service mesh — 2 дня до старта.
27 июня в 10:00 по МСК мы начнём полноценное мощное обучение, после которого вы легко наведёте порядок в микросервисах и сможете обеспечивать их надёжность, безопасность и масштабируемость.

Если вы всё ещё не можете решиться, читайте, что говорят наши студенты о курсе.

Забрать билет на последние места — по ссылке.


➡️ CRI, CNI, CSI.
Большой гайд по сетевому взаимодействию, управлению средой выполнения контейнеров и работе с хранилищами от Виталия Лихачева, SRE в крупнейшем голландском тревелтехе.

Рассмотрим CNI, CRI, CSI через призму того, что именно делает Kubernetes (а еще точнее - kubelet), как именно он настраивает интерфейсы, какие параметры передаёт, что от кого ожидает и что может пойти не так.

Читать — по ссылке в нашем блоге.

Освоить основы работы с Kubernetes: c системой автоматизации развертывания, масштабирования и управления приложениями в контейнерах — на курсе «Kubernetes База».

⏱ Завтра вход будет закрыт

Считанные часы остались на старта топового интенсива «Service mesh».

➡️ Уже 27 июня, в 10.00 по МСК, студенты нового потока соберутся, чтобы пройти первые темы программы и начать решать реальные бизнес-кейсы.

Сегодня до конца дня вы ещё можете присоединиться к ним, чтобы добавить service mesh в cвой грейд и портфолио.
Завтра это сделать уже не получится.

Жмите на ссылку, чтобы занять место в новом потоке.

🌟 Подписка на курсы Слёрма

С нас — качественный контент для ускоренного роста в IT, с вас — учиться в удобном темпе и освоить актуальные технологии: от DevOps до Kubernetes и Docker!

В подписке 24 видеокурса + 7 потоков с поддержкой кураторов и экспертов, в которые можно попасть во время действия вашей подписки

Доступ к курсам сохраняется до окончания срока подписки — 3 месяца.

Стоимость: 22 250 ₽/мес в рассрочку на 4 месяца или 89 000 ₽ единовременно.

Отличный вариант для тех, кто хочет освоить несколько направлений за короткий срок без строгих дедлайнов.

⭐️ Оформить подписку

AI в DevOps: новый уровень мониторинга и observability

В последние годы Large Language Models (LLMs), такие как GPT и DeepSeek, стали универсальными помощниками — от генерации кода до объяснения сложных концепций. Однако их потенциал только начинает раскрываться в сфере DevOps, особенно в области наблюдаемости и устранения инцидентов.

Почему классический мониторинг уже не справляется?

В типичной системе наблюдаемости у нас есть метрики, логи и трейсы. Они собираются, визуализируются в красивых дашбордах, а дальше — вы сами. Даже с мощными инструментами типа Grafana, Prometheus или Loki, DevOps-инженер всё ещё вынужден вручную:

👉 анализировать причинно-следственные связи между событиями;
👉 копаться в корреляциях между spike'ами CPU и сетевыми аномалиями;
👉 искать аномальные запросы к базе в миллионах строк логов.

Это требует экспертизы и времени. А теперь представьте систему, которая сама интерпретирует все эти сигналы, объясняет, что пошло не так, и предлагает конкретные действия по исправлению.

Где вступает AI?

AI, обученный на технических данных, может:

👉 читать дашборды как человек;
👉 понимать паттерны нагрузки и выявлять отклонения;
👉 предполагать причину сбоя (например, блокирующий ALTER TABLE в PostgreSQL),
👉 советовать пошаговые действия: от SELECT pg_stat_activity до применения pg_repack.

Как это работает на практике?

Один из самых перспективных сценариев — это последний этап troubleshooting: когда ты уже знаешь, какой сервис глючит, но всё ещё неясно, почему именно.

Тут и подключается LLM:

➡️ Ввод: скриншот метрик, описание ошибки, лог-фрагмент.
⬅️ Вывод: понятное объяснение того, что происходит, какие метрики важны, какие запросы блокируют работу, и что с этим делать.

OpenAI vs DeepSeek: тест в боевых условиях

Интересный кейс опубликовала команда Coroot, работающая над платформой наблюдаемости. Они провели эксперимент, скармливая LLM реальные скриншоты с графиками PostgreSQL-нагрузки после проблемного запроса ALTER TABLE ... SET NOT NULL.

Результат?

🔵 GPT-4o не просто «прочитал» графики, а выдал диагноз, причину и рекомендации по исправлению (включая pg\_repack, lock timeout и рекомендации по миграциям).
🔵 DeepSeek-R1 выдал почти идентичный анализ — с адекватными SQL-командами и предостережениями.

Важно: всё это — без телеметрии, только по скрину с графиками.

Значит ли это, что AIOps наступил?

Да, если вы уже собираете достаточно данных — метрик, логов, трассировок. Потому что магия AI не в угадывании, а в понимании контекста и построении цепочки: симптом → причина → действие.

Почитать подробнее:

📚 Using AI for Troubleshooting: OpenAI vs DeepSeek (Coroot blog). Статья демонстрирует живой пример использования AI в DevOps-наблюдаемости, с реальными данными и точными выводами.

🎓 Лучшие практики применения GPT-ассистентов для повседневных DevOps-задач, от написания инфраструктуры до исправления ошибок и генерации документации — на воркшопе «AI в DevOps» 5 июля. Подробности — в боте.