Observability (Cloud DevOps)

Informazioni generali

---

Presentazione del corso

Diventa un Cloud & AI Specialist: Dalle Fondamenta Azure all'Era del Machine Learning
Dall'8 giugno al 24 luglio in FAD, dal lunedì al venerdì, dalle 9:00 alle 13:00 e dalle 14:00 alle 18:00 

Vuoi dominare l'ecosistema Cloud e posizionarti sulle frontiere più richieste del mercato IT? Questo percorso intensivo è progettato per trasformare le tue competenze digitali in un profilo tecnico completo di Cloud & DevOps Engineer con una specializzazione verticale in Observability e AI.

Dalla progettazione di architetture su Azure alla gestione di container con Docker e AKS, fino all'implementazione di pipeline CI/CD e sistemi di monitoraggio avanzati (Prometheus, ELK, Splunk), il corso offre un approccio estremamente pratico. Non solo teoria: chiuderai il percorso integrando Machine Learning e IA Generativa in flussi di lavoro aziendali reali.

Approccio Hands-on: Laboratori pratici al termine di ogni modulo.

Stack Tecnologico Completo: Azure, DevOps, MLOps e i principali tool di monitoring.

Orientamento al Lavoro: Project work finale con simulazione aziendale e revisione CV.

Consulta il programma completo di seguito e preparati a scalare la tua carriera.



MODULO 1 — Competenze digitali + Fondamenti Cloud (40 ore)
Obiettivo: allineamento basi + primo contatto con Azure + panoramica monitoring.

• Architettura sistemi informativi (concetti base, componenti, flussi)
• Fondamenti di networking (snellito ma “completo”): IP, subnet, DNS, HTTP/HTTPS, porte, VLAN/VPN (solo concetti), cenni a routing
• Cloud computing: IaaS/PaaS/SaaS + responsabilità condivisa
• Azure basics: Portal, Resource Group, regioni, naming/tag, RBAC base
• Sicurezza cloud: MFA, least privilege, concetti di key/secret, introduzione ai sistemi di monitoraggio
• Cosa fanno e quando si usano: Splunk, Dynatrace, Prometheus, Grafana, Kibana, Zabbix, OpenText suite

• Laboratorio di fine modulo: Setup ambiente Azure + creazione risorse base + mini-verifica networking

MODULO 2 — Azure & Cloud Infrastructure (40 ore)
Obiettivo: costruire una piccola infrastruttura reale e pubblicarla.

• VM, Storage, Networking, App Service
• Docker basics (immagini, container, registry)
• Introduzione AKS
• Scalabilità, HA, cost management

• Laboratorio di fine modulo: Deploy di una web app + storage + rete + hardening minimo + cost check

MODULO 3 — DevOps & Observability su Azure (40 ore)
Obiettivo: pipeline CI/CD e osservabilità “end-to-end” su una app.

• DevOps mindset, CI/CD, repo, branch strategy
• Azure DevOps (pipelines, artifact, release)
• Observability: log/metric/trace, SLI/SLO, alerting 
• Azure Monitor, Log Analytics, Application Insights
• Dashboard + alert + troubleshooting base

• Laboratorio di fine modulo: Pipeline CI/CD + deploy + osservabilità attiva (log/metric/trace) + alert funzionante

MODULO 4 — Approfondimento sistemi di monitoraggio (40 ore)
Obiettivo: pratica intensa sugli strumenti citati al Modulo 1, con focus su casi d’uso reali.

• Criteri di scelta tool (licensing, agent, ingestion, retention)
• Log parsing, metric scraping, APM, correlazione eventi
• Prometheus + Grafana: metriche + dashboard + alert
• ELK/Kibana: log ingestion + query + dashboard
• Zabbix: monitoring infrastrutturale (host/service/trigger)
• Splunk / Dynatrace: panoramica operativa su funzionalità chiave (ricerche, dashboard, APM)
• OpenText suite: posizionamento e casi d’uso (overview + esercizio di mappatura)

• Laboratorio di fine modulo: monitoraggio di un'applicazione con 2 stack diversi e report finale di confronto

MODULO 5 — Fondamenti di Machine Learning (20 ore)
Obiettivo: ML pratico “da zero” con dataset, notebook e metriche.

• supervised/unsupervised, train/test, overfitting
• regressione/classificazione/clustering
• feature engineering e valutazione
• Python essentials per ML + NumPy/Pandas/Scikit-learn

• Laboratorio di fine modulo: Creazione di un modello base + report metriche + notebook pulito

MODULO 6 — ML & AI su Azure (20 ore)
Obiettivo: portare ML su Azure (workspace, training, deploy) + cenni di AI generativa.

• Azure ML: workspace, dataset, compute
• AutoML, deploy endpoint
• Responsible AI
• Azure Cognitive Services
• AI generativa: introduzione e casi d’uso

• Laboratorio di fine modulo: Training su Azure ML + deploy endpoint + test API + monitor minimo

Laboratorio finale (30 ore totali)
Obiettivo: progetto completo “simulazione aziendale” con consegna finale.

• MLOps pipeline
• Versioning, monitor modello, data drift
• Sicurezza/GDPR/AI ethics
• Orientamento lavoro: colloquio tecnico simulato + review CV
• Project work in team: build + deploy + observability + presentazione

Requisiti di partecipazione

Laurea o esperienza lavorativa informatica