人工知能の可観測性を向上させるにはどうすればよいでしょうか?

現在の時代の文脈では、過去を懐かしむ気持ちは理解できますが、私たちは異なる環境にいるということを認識する必要があります。したがって、可観測性は二度と同じになることはありません

AI が可観測性を向上させる方法

最近、可観測性はますます複雑になってきており、確かに IT 監視よりも複雑になっています。の初期の頃、すべてがメインフレームとログで実行され、利用可能なすべての監視データが簡単に収集して視覚化できました。

最新のアプリケーションがほとんどの組織の中核となった後でも、状況ははるかに単純になりました。しかし、Kubernetes、マイクロサービス、サーバーレスの現在の世界では、状況は大きく異なります。ハンマーを手に取り、簡単に観察できる過去の流れを打ち砕き、それが何百もの破片に砕けるのを観察することを想像してみてください。しかし、これらの小さな破片はすべて、依然としてしっかりと接続され、常に通信し続けている必要があります。 本質的に、この状況は抽象化と仮想化の初期導入によって引き起こされます。 Kubernetes が登場したとき、その一時的で急速な変化と分散された性質により、さらに複雑さが増しました。この状況では、すべての管理がさらに難しくなり、監視やトラブルシューティングもさらに難しくなり、多くの人が途方に暮れ、自分が何に陥ったのか分からなくなります。本当にそんなに複雑にする必要があるのだろうか?と自問するかもしれません。

人々が過去を懐かしむ気持ちは理解できますが、私たちが今いる環境のせいで、可観測性が再び同じになることはありません

「現代の」可観測性境界の概念を再考する

まず、一歩下がって、定義から始めて、いくつかの基本原則を紹介しましょう。クラウド インフラストラクチャとアプリケーションのコンテキストでは、可観測性とは、ソフトウェアを検査し、データに基づいて意思決定を行うことによって、実稼働システムを監視および修復する技術です。重要なのは、これらの決定は、継続的な監視、アラート、トラブルシューティングだけではなく、特定の結果とサービス レベルの目標に焦点を当てる必要があることに注意してください。

次に、今日の世界における信頼性の高いサーバーの設計について考えてみましょう。システム。特にコーディングやインフラストラクチャの問題がビッグデータの問題に発展している分野では、これらの最新の可観測性システムの計算効率、ネットワーク効率、ストレージ効率のニーズを改善する方法を見つける必要があります。データの増加が必ずしも優れた洞察を意味するわけではないことに注意することが重要です。

抽象化、仮想化、マイクロサービスは氷山の一角にすぎないことが判明しました。 Copilot、

Code Whisperer などの人工知能ツールの出現と継続的な採用により、人間が何十億もの異なるイベントを処理、分析、関連付けて、自分が作成したコードが正しいかどうかを理解することが現実的になっています。期待どおりに実行されますが、解決できない問題になります。再び、可観測性がビッグデータの緊急の課題となっています。

エンジニアが可観測性信号を理解し、

テレメトリ データを分析する方法を理解するスキルを持っていたとしても、この才能は獲得が困難であり、膨大な量のデータが存在します。整理することは現実的ではなく、驚くべきことでさえあります。実際のところ、この膨大なデータの大部分は、ビジネス クリティカルなシステムのパフォーマンスに関する洞察を得るのに特に役に立ちません。 多ければ多いほど良いというわけではありません。同時に、最も一般的な可観測性ソリューションは、このビッグデータ問題の膨大なデータ フローと複雑さを解決するには、多くの高度な機能と追加ツールが必要であることを示しており、それらのすべてに高額の値札がかかります。データ拡張あり。しかし、まだ希望はあります

AI 可観測性の時代を受け入れる

マイクロサービスと AI 生成コードの現代の可観測性時代では、過度に複雑または高価な可観測性は必要ありません。はい、AI アプリケーションは成長し続けるため、大きな期待が寄せられています。 AI 駆動コードを駆動する大規模言語モデル (LLM) は、可観測性への新しいアプローチを提供します

これはどのように機能するのでしょうか? LLM は、大規模な反復テキスト データのパターンの処理、学習、識別に熟達しつつあります。これは、高度に分散された動的なシステムにおけるログ データやその他のテレメトリの性質そのものです。 LLM は、基本的な質問に答え、有用な推論、仮説、予測を引き出す方法を知っています。

LLM モデルはまだリアルタイム向けに設計されておらず、すべての可観測性の課題を解決するために完全なコンテキスト範囲を決定するのに十分な精度がないため、このアプローチは完璧ではありません。ただし、人間が機械で生成された大量のデータを適切な時間内に理解してコンテキストを確立するよりも、まず LLM でベースラインを確立し、何が起こっているかを理解し、役立つ推奨事項を得る方がはるかに簡単です。

したがって、LLM は可観測性の問題の解決に非常に関連しています。これらは、分析および洞察を提供するだけでなく、テキストベースのシステムで使用するように設計されています。これは、統合を通じて可観測性に簡単に適用でき、有意義な推奨事項を提供できます。

書き換えられた内容は次のとおりです: この分野における LLM の最大の価値の 1 つは、技術的熟練度が高くない実務者をより適切にサポートし、大規模で複雑なデータの問題を処理できるようにすることであると考えています。 。解決する必要がある生産上の問題のほとんどには、LLM が過去のコンテキスト データに基づいて支援を提供するのに十分な時間があります。このように、LLM は可観測性をよりシンプルにし、よりコスト効率の高い、より破壊的な機会を実現します。以下に示すのは、難解なクエリ言語ではなく、自然言語で記述および調査できる LLM です。これは、あらゆるレベルのユーザーにとって、特に実務経験の少ないユーザーにとって大きな恩恵となります。事業部門のマネージャーも含まれます。

ユーザーは、すべての関連情報の専門家である必要はなくなり、共通パラメータに関連するクエリを作成し、生産エンジニアだけでなく事業部門の幹部が使用する自然言語を使用できるようになりました。これにより、生産エンジニアだけでなく、幅広い新しいプロセスや関係者が監視できるようになります。

Logz.io では、LLM との統合を開始し、プラットフォーム上で素晴らしい機能の開発に熱心に取り組んでいます。これらの新たな AI 機能を最大限に活用します。これは、ビッグデータの課題に直面し、本質的な可観測性を求める組織に重要なイノベーションをもたらすと私たちは信じています。市場には依然としてコストと複雑さという差し迫った問題が存在しますが、これにより誰もが楽観的でいられる多くの理由が得られると考えています

以上が人工知能の可観測性を向上させるにはどうすればよいでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。