课程简介

随着大模型基础能力的不断提升，SRE领域在研发提效、运维提效、资源优化、系统可靠性提升等方向的智能化程度有了进一步提升的可能，大模型在 SRE 领域的发展趋势是与 AIOps 深度融合，朝着智能化运维、与业务深度结合、模型性能提升等方向演进。

大模型的自然语言处理、数据分析、预测能力等能力，均与 SRE 的各个环节结合，同时，大模型与现有的 SRE 工具链集成，这些在建设大模型平台工程中，都是SRE团队在智能化实践中思考的关键。

本次分享SRE团队通过融合AI大模型技术与工程实践，落地多个智能化核心场景，聚焦研发效率、成本优化、性能分析、故障分析等方向智能化场景的实践经验和总结，帮助各企业了解SRE结合AI大模型来提升业务系统可靠性、降低成本，并为业务连续性提供技术保障。。

课程收益

1、帮助学员了解和思考SRE 可以从哪些场景着手进行智能化落地实践

2、帮助学员了解和思考SRE 构建智能化场景需要依托哪些通用能力

3、帮助学员了解和思考AI大模型平台工程化构建方向和要点

受众人群

算法工程师、运维专家、系统架构师及技术管理者等从事大模型训练、运维管理的技术人员，以及其他对智能运维感兴趣的人员

课程周期

0.5天（3H）

课程大纲

1、SRE团队在CI、CD、CO领域应用大模型的可能性分析

2、SRE在持续集成（CI）方向代码漏洞检测分析、代码质量检测等场景智能化落地实践分享

3、SRE在持续部署（CD）方向成本分析、脚本编码等场景智能化落地实践分享

4、SRE在持续运营（CO）方向故障诊断分析、日志分析等场景智能化落地实践分享

5、SRE AI大模型平台工程存在的意义和职能定义分析

6、SRE AI大模型平台工程建设实践总结

7、QA