人工智能怎么增强可观测性

发布时间：2023-11-01 10:38:41 所属栏目：动态来源：

导读：处于当前社会环境下，可以体谅怀旧之情，但重要的是要认识到我们周遭的环境已大不相同，未来的观察可能不再是过往的形态。

当前时期的可观察度变得更加难以理解和实施管理，远较初期复杂的监控手段更加棘手，那时

处于当前社会环境下，可以体谅怀旧之情，但重要的是要认识到我们周遭的环境已大不相同，未来的观察可能不再是过往的形态。

当前时期的可观察度变得更加难以理解和实施管理，远较初期复杂的监控手段更加棘手，那时候可以通过集中式处理达到对所有事物进行有效监视并实现简单而直观的数据展示效果。

本质上，这种情况是由初期引入的抽象化和虚拟化所造成的。然后Kubernetes出现了，它的短暂、快速变化和分布式特性增加了许多复杂度。在这里，一切都变得更加难以管理，也更难以监控和故障排除；许多人感到不知所措，纳闷自己陷入了什么状况。我们可能会问自己——是否一切真的需要这么复杂？

重新审视“现代”可观测性的界限
首先，让我们退一步，介绍一些基本原则，从定义开始。在我们的云基础设施和应用程序的背景下，可观测性是检查软件并做出基于数据的决策来监控和修复生产系统的艺术。关键是要注意，这些决策应该专注于特定的结果和服务级别目标，而不仅仅是持续的监控、报警和故障排除。

事实证明，抽象化、虚拟化和微服务只是冰山一角。随着人工智能工具的出现和持续采用，比如Copilot、Code Whisperer等，人类处理、分析和关联数十亿个不同的事件来理解他们编写的代码是否按预期运行，这实际上成为一个无法解决的问题。再此，可观测性成为一个迫在眉睫的大数据难题。

即使工程师具有理解可观测性信号以及如何分析遥测数据的技能——这是难以获取的人才——要分类的海量数据也是不现实的，甚至是惊人的。事实是，大量数据中绝大部分对洞察关键业务系统的性能没有特别大的用处。

迎接人工智能可观测性时代
在微服务和人工智能生成代码的现代可观测性时代，可观测性不必过于复杂或昂贵，是的——日益增长的人工智能应用提供了巨大的希望。驱动人工智能驱动代码的大语言模型(LLM)为可观测性提供了一种新的方法。

这种方法并不完美，因为LLM模型还不是为实时设计的，在确定完整的上下文范围以解决所有可观测性难题方面也不够准确。然而，与人类在合理的时间内理解和建立大量机器生成的数据的上下文相比，首先用LLM建立一个基线，了解发生了什么并获得有益的建议要容易得多。

因此，LLM对解决可观测性问题非常相关。它们旨在用于基于文本的系统，以及分析和提供见解。这可以通过集成轻松地应用于可观测性，以提供有意义的建议。

与此同时，尽管人工智能在可观测性方面正在变得日益强大，但未来还有更有趣、更具颠覆性的机会。接下来的是可以用自然语言书写和调查的LLM，而不是晦涩难懂的查询语言——这对所有级别的用户来说都是巨大的福音，但对那些比较缺乏实践经验的人尤其如此，包括业务部门的管理人员。

在Logz.io，我们已经开始与LLM集成，现在正在平台上努力开发令人兴奋的新功能，目的是利用这些新兴的人工智能能力。我们相信，这是为面临大数据挑战的寻求必要可观测性的组织提供下一波关键创新的手段。虽然成本和复杂性的紧迫问题在市场上仍然存在，但我们相信这给了每个人许多保持乐观的理由。我们正在努力实现这一目标，并且我们的团队已经准备好迎接挑战。我们将继续与合作伙伴一起，共同推动我们的技术发展，以满足客户需求。

（编辑：驾考网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!