Как мы внедрили AIOps для контроля GPU-утилизации и повысили её на 60 процентов

В RWB команда ML-платформы построила поверх мониторинга отдельный слой для управления такими кейсами на базе open source KeepHQ. Через систему прошло около 400 тысяч событий, а дедупликация составила ~99%.

В новой статье на Хабре рассказываем, как устроили жизненный цикл алерта — от поиска владельца и сохранения контекста до автоматической проверки исправления и эскалации. И показываем, какие части Keep пришлось доработать и почему AI оказался далеко не главным элементом решения ⚙️

Результат: +62% к средней месячной утилизации GPU на одном из кластеров

@rwb_delaet_ml