AIOps 스터디 커리큘럼 — 주차별 요약

v3 기준 | 2026-04-05 | 8주 체계
각 주차의 주제, 목적, 핵심 키워드만 압축 정리
5주차 ~ 8주차 변동 가능성 존재

Phase 1 — AIOps 기반 개념 확립 (1~4주)

Week 1

• 주제: AIOps 정의 + Observability / SRE / DevOps와의 관계 + Telemetry 이해
• 목적: AIOps = observability 위의 운영 의사결정 보조 계층으로 정의. "AIOps = 이상 탐지" 오해 차단 + AIOps가 처리하는 telemetry 유형과 현실적 한계 파악
• 핵심 키워드: AIOps 정의, 운영 의사결정 보조 계층, Observability, SRE, DevOps, SLO, Error Budget, OpenTelemetry, Logs, Metrics, Traces, Sampling, Cardinality, Data Quality, Clock Skew

Week 2

• 주제: 전통적 AIOps — deduplication, baselining, anomaly detection + 시계열 Foundation Model 등장
• 목적: 전통 anomaly detection의 가치와 한계 이해, Forecasting Foundation Model 등장 이후 탐지 방식 변화 파악
• 핵심 키워드: TSAD, Baselining, Deduplication, TimeSeriesBench, CrossAD (NeurIPS 2025), Chronos-2 (Forecasting FM), TimesFM 2.5 (Forecasting FM)

Week 3

• 주제: Correlation — 흩어진 신호를 하나의 사건으로 묶기
• 목적: Alert noise 문제와 correlation의 역할 이해, topology 기반 연관의 필요성 파악
• 핵심 키워드: Alert Noise, Event Correlation, Topology-aware Correlation, Service Dependency Graph, Service Map, Alert Grouping

Week 4

• 주제: RCA 개념 기초 — 증상 vs 원인, graph 기반 접근
• 목적: RCA가 anomaly detection보다 본질적으로 어려운 이유 이해, 전통 RCA 접근의 한계 파악
• 핵심 키워드: Symptom vs Root Cause, Graph-based RCA, MicroRCA, RCAEval (9 datasets / 735 failure cases), Causal Discovery, AERCA (ICLR 2025)
• 참고 시나리오: Kubernetes — 새 버전 배포 → DB connection pool 설정 오류 → API latency 급증. 증상(latency)과 원인(pool 설정 오류)을 분리하는 전형적 RCA 사례.

Phase 2 — AgentOps + OSS 생태계 현실 판단 (5~8주)

Week 5

• 주제: AgentOps 개념 — AI agent를 운영한다는 것
• 목적: AIOps agent 운영의 구조적 특성 이해. intra-agent / inter-agent 이상, 4단계 운영 사이클(monitoring → detection → RCA → resolution) 파악
• 핵심 키워드: AgentOps Survey, Intra-agent Anomaly, Inter-agent Anomaly, Agent Monitoring, Agent RCA, Agent Resolution, AIOps vs AgentOps 관계

Week 6

• 주제: OSS 도구 분석 — 각 repo의 역할과 위치
• 목적: 현재 오픈소스 AIOps/AgentOps 도구의 역할 레이어 분류. 연구형 / 실무형 / 데모형 구분 능력 확보
• 핵심 키워드: Coroot (observability+AI RCA), HolmesGPT (CNCF Sandbox, investigation agent), Kubeshark (network observability 인접 도구), Kubernaut (closed-loop AIOps 데모형), AIOpsLab (연구형 평가 프레임워크), OpenRCA (benchmark), RCAEval (benchmark), CNCF Landscape

Week 7

• 주제: 실무 도입 판단 — 산업 데이터와 ROI
• 목적: AI AIOps 도입 현황을 산업 데이터로 검증. 연구 논문이 약속하는 성능과 실제 현장 성과의 차이를 정량적으로 판단
• 핵심 키워드: Atlassian 2025 State of AI Incident Management, SolarWinds 2025 State of ITSM, MTTR 단축 수치, ROI 판단 기준, AI 도입 성숙도, 연구 vs 현실 괴리

Week 8

• 주제: 전체 개념 정리 + 발표 메시지 완성
• 목적: 8주 학습을 자기 언어로 정리하고, AIOps 현재 상태를 설명할 수 있는 능력 확인
• 핵심 키워드: Telemetry 분류, 운영 문제 유형, AIOps 기능 분류, 사람 개입 지점, 평가 지표, OSS 역할 분류, 발표 메시지

전체 흐름 한눈에 보기

주차	핵심 질문
1	AIOps는 Observability / SRE와 어떻게 다르고, 무엇을 데이터로 먹는가?
2	전통 TSAD에서 Forecasting Foundation Model로 무엇이 바뀌는가?
3	Alert noise를 줄이려면 correlation이 왜 필요한가?
4	RCA가 anomaly detection보다 왜 어려운가?
5	AI agent를 운영한다는 것은 기존 시스템 운영과 무엇이 다른가?
6	각 OSS repo는 어떤 역할 레이어에 있고, 서로 어떻게 다른가?
7	연구 논문이 약속하는 AIOps 성능과 현장 도입 성과의 차이는 무엇인가?
8	AIOps의 현재를 자기 언어로 설명할 수 있는가?