Bagaimana untuk meningkatkan kebolehmerhatian kecerdasan buatan?

Dalam konteks era sekarang, kita boleh memahami nostalgia masa lalu, tetapi kita harus sedar bahawa kita berada dalam persekitaran yang berbeza. Akibatnya, kebolehmerhatian tidak akan sama lagi

Bagaimana AI meningkatkan kebolehmerhatian

Baru-baru ini, kebolehmerhatian telah menjadi lebih dan lebih kompleks, pastinya jauh lebih kompleks berbanding pada hari-hari awal pemantauan IT, apabila Semuanya berjalan pada kerangka utama, dan log serta semua data pemantauan yang ada boleh dikumpul dan divisualkan dengan mudah.

Walaupun selepas aplikasi yang lebih baru menjadi teras kebanyakan organisasi, keadaannya lebih mudah. Walau bagaimanapun, dalam dunia semasa Kubernetes, perkhidmatan mikro dan tanpa pelayan kami, perkara kelihatan sangat berbeza. Bayangkan mengambil tukul dan memecahkan aliran masa lalu yang mudah diperhatikan, dan melihatnya pecah menjadi ratusan keping walau bagaimanapun, semua kepingan kecil ini mesti kekal rapat dan sentiasa berkomunikasi.

Pada asasnya, keadaan ini disebabkan oleh pengenalan awal abstraksi dan virtualisasi. Apabila Kubernetes muncul, perubahannya yang cepat, cepat dan sifat teragih menambahkan banyak kerumitan. Dalam keadaan ini, segala-galanya menjadi lebih sukar untuk diuruskan dan lebih sukar untuk memantau dan menyelesaikan masalah ramai orang berasa rugi dan tidak tahu apa yang telah mereka hadapi. Kita mungkin bertanya kepada diri sendiri - adakah ia benar-benar perlu menjadi begitu rumit?

Kita boleh memahami orang yang nostalgia pada masa lalu, tetapi kerana persekitaran yang kita ada sekarang, kebolehmerhatian tidak akan sama lagi

Memeriksa semula sempadan kebolehcerapan "moden"

Pertama, mari kita kembali. berundur dan memperkenalkan beberapa prinsip asas, bermula dengan definisi. Dalam konteks infrastruktur dan aplikasi awan kami, kebolehmerhatian ialah seni memantau dan memperbaiki sistem pengeluaran dengan memeriksa perisian dan membuat keputusan berdasarkan data. Perkara utama ialah ambil perhatian bahawa keputusan ini harus ditumpukan pada hasil tertentu dan matlamat tahap perkhidmatan, bukan hanya pemantauan berterusan, makluman dan penyelesaian masalah

Seterusnya, mari kita fikirkan tentang mereka bentuk sistem kebolehcerapan yang boleh dipercayai dalam seni dunia hari ini. Terutamanya dalam kawasan yang masalah pengekodan atau infrastruktur telah berkembang menjadi masalah data besar, kita perlu mencari cara untuk meningkatkan keperluan kecekapan pengiraan, rangkaian dan storan bagi sistem kebolehmerhatian moden ini. Adalah penting untuk ambil perhatian bahawa lebih banyak data tidak semestinya bermakna cerapan yang lebih baik

Ternyata pengabstrakan, virtualisasi dan perkhidmatan mikro hanyalah puncak gunung ais. Dengan kemunculan dan penggunaan berterusan alatan AI, seperti Copilot, Code Whisperer, dsb., menjadi hampir mustahil bagi manusia untuk memproses, menganalisis dan mengaitkan berbilion peristiwa berbeza untuk memahami sama ada kod yang mereka tulis berjalan seperti yang diharapkan. masalah selesai. Sekali lagi, pemerhatian telah menjadi masalah data besar yang mendesak. . Hakikatnya ialah sebahagian besar jumlah data yang besar tidak begitu berguna dalam memberikan cerapan tentang prestasi sistem kritikal perniagaan.

Lebih banyak tidak bermakna lebih baik. Pada masa yang sama, kebanyakan penyelesaian pemerhatian yang popular menunjukkan bahawa untuk menyelesaikan aliran data yang besar dan kerumitan masalah data besar ini, banyak ciri canggih dan alat tambahan diperlukan - semuanya datang pada tag harga yang tinggi untuk mengatasinya. dengan pengembangan data. Tetapi masih ada harapan Menyambut era Kebolehmerhatian AI Dalam era kebolehmerhatian moden perkhidmatan mikro dan kod yang dijana AI, kita tidak memerlukan kebolehmerhatian yang terlalu rumit atau mahal. Ya, kami melihat janji yang hebat kerana aplikasi AI terus berkembang. Model Bahasa Besar (LLM) yang memacu kod dipacu AI menawarkan pendekatan baharu kepada kebolehmerhatian

Bagaimana ini berfungsi? LLM semakin mahir dalam memproses, mempelajari dan mengenal pasti corak dalam data teks berulang berskala besar—sifat sebenar data log dan telemetri lain dalam sistem teragih tinggi dan dinamik. LLM tahu cara menjawab soalan asas dan membuat inferens, hipotesis dan ramalan yang berguna.

Pendekatan ini tidak sempurna kerana model LLM belum lagi direka bentuk untuk masa nyata dan tidak cukup tepat dalam menentukan julat konteks penuh untuk menyelesaikan semua cabaran kebolehmerhatian. Walau bagaimanapun, adalah lebih mudah untuk mula-mula mewujudkan garis dasar dengan LLM, memahami perkara yang sedang berlaku dan mendapatkan pengesyoran yang berguna berbanding manusia memahami dan mewujudkan konteks bagi sejumlah besar data yang dijana oleh mesin dalam jumlah masa yang munasabah.

Oleh itu, LLM sangat relevan untuk menyelesaikan masalah kebolehmerhatian. Ia direka untuk digunakan dalam sistem berasaskan teks, serta untuk menganalisis dan memberikan pandangan. Ini boleh digunakan dengan mudah untuk pemerhatian melalui penyepaduan untuk memberikan cadangan yang bermakna.

Kandungan yang ditulis semula: Kami percaya bahawa salah satu nilai terbesar LLM dalam bidang ini adalah untuk menyokong pengamal yang mungkin tidak mempunyai kemahiran teknikal yang tinggi dan membolehkan mereka mengendalikan soalan data yang besar dan kompleks. Kebanyakan masalah pengeluaran yang perlu diselesaikan mempunyai masa yang cukup untuk LLM memberikan bantuan berdasarkan data kontekstual sejarah. Dengan cara ini, LLM boleh menjadikan kebolehmerhatian lebih mudah dan lebih menjimatkan kos

Pada masa yang sama, walaupun kecerdasan buatan menjadi semakin berkuasa dalam pemerhatian, terdapat aspek yang lebih menarik dan mengganggu pada Peluang akan datang. Apa yang berikut ialah LLM yang boleh ditulis dan disiasat dalam bahasa semula jadi, dan bukannya bahasa pertanyaan misteri - faedah yang besar untuk pengguna dari semua peringkat, tetapi terutamanya mereka yang kurang pengalaman termasuk pengurus unit perniagaan.

Kini pengguna tidak lagi perlu menjadi pakar dalam semua maklumat yang berkaitan, mereka boleh menulis pertanyaan berkaitan parameter biasa dan menggunakan bahasa semula jadi yang digunakan oleh pemimpin unit perniagaan, bukan hanya jurutera pengeluaran. Ini membolehkan pemerhatian kepada pelbagai proses baharu dan pihak berkepentingan, bukan hanya jurutera pengeluaran

Di Logz.io kami telah mula menyepadukan dengan LLM dan bekerja keras untuk membangunkan ciri baharu yang menarik pada platform, bertujuan untuk memanfaatkan sepenuhnya kemunculan ini. keupayaan kecerdasan buatan. Kami percaya ini akan membawa inovasi kritikal kepada organisasi yang menghadapi cabaran data besar dan mencari pemerhatian yang penting. Walaupun masih terdapat isu mendesak mengenai kos dan kerumitan dalam pasaran, kami percaya ini memberi semua orang banyak sebab untuk bersikap optimistik

Atas ialah kandungan terperinci Bagaimana untuk meningkatkan kebolehmerhatian kecerdasan buatan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!