在當(dāng)前的時(shí)代背景下，我們可以理解對(duì)過(guò)去的懷念，但是我們必須意識(shí)到我們正身處?kù)兑粋€(gè)不同的環(huán)境中。因此，可觀測(cè)性永遠(yuǎn)不會(huì)再和以前一樣了

AI如何提升可觀測(cè)性

最近，可觀測(cè)性變得越來(lái)越複雜，肯定比IT監(jiān)控的早期階段要複雜得多，那時(shí)所有的事物都在大型主機(jī)上運(yùn)行，日誌和所有可用的監(jiān)控資料都可以輕鬆地收集和視覺(jué)化。

即使在更近期應(yīng)用成為大多數(shù)組織的核心之後，情況也簡(jiǎn)單得多。然而，在我們目前的Kubernetes、微服務(wù)和無(wú)伺服器的世界，情況看起來(lái)大不相同。想像用錘子擊碎過(guò)去那可以輕鬆觀測(cè)的流動(dòng)，看著它分解成上百塊碎片；但是，所有這些小碎片仍必須保持緊密相連並持續(xù)交流。

從本質(zhì)上講，這種情況是由最初引入的抽象化和虛擬化造成的。當(dāng)Kubernetes出現(xiàn)時(shí)，其短暫而快速的變化和分散式特性增加了許多複雜性。在這種情況下，一切都變得更加難以管理，監(jiān)控和故障排除也更加困難；許多人感到茫然不知所措，不知道自己陷入了什麼局面。我們可能會(huì)問(wèn)自己——是否真的需要讓一切變得如此複雜？

我們可以理解人們對(duì)過(guò)去的懷念，但是由於我們現(xiàn)在所處的環(huán)境，可觀測(cè)性永遠(yuǎn)不會(huì)再和從前一樣了

重新審視「現(xiàn)代」可觀測(cè)性的界限

首先，讓我們回退一步，介紹一些基本原則，從定義開始。在我們的雲(yún)端基礎(chǔ)設(shè)施和應(yīng)用程式的背景下，可觀測(cè)性是一種藝術(shù)，它透過(guò)檢查軟體並基於數(shù)據(jù)做出決策來(lái)監(jiān)控和修復(fù)生產(chǎn)系統(tǒng)。關(guān)鍵是要注意，這些決策應(yīng)該專注於特定的結(jié)果和服務(wù)等級(jí)目標(biāo)，而不僅僅是持續(xù)的監(jiān)控、警報(bào)和故障排除

接下來(lái)，我們來(lái)思考在當(dāng)今世界中設(shè)計(jì)一個(gè)可靠的可觀測(cè)性系統(tǒng)的藝術(shù)。特別是在編碼或基礎(chǔ)設(shè)施問(wèn)題已經(jīng)發(fā)展成大數(shù)據(jù)問(wèn)題的領(lǐng)域，我們需要找到方法來(lái)提高這些現(xiàn)代可觀測(cè)性系統(tǒng)的運(yùn)算、網(wǎng)路和儲(chǔ)存效率需求。要注意的是，更多的數(shù)據(jù)並不表示一定會(huì)有更好的洞見

事實(shí)證明，抽象化、虛擬化和微服務(wù)只是冰山一角。隨著人工智慧工具的出現(xiàn)和持續(xù)採(cǎi)用，例如Copilot、Code Whisperer等，人類處理、分析和關(guān)聯(lián)數(shù)十億個(gè)不同的事件來(lái)理解他們編寫的程式碼是否按預(yù)期運(yùn)行，這實(shí)際上上成為一個(gè)無(wú)法解決的問(wèn)題。再次，可觀測(cè)性成為一個(gè)迫在眉睫的大數(shù)據(jù)難題。

即使工程師具有理解可觀測(cè)性訊號(hào)以及如何分析遙測(cè)資料的技能－這是難以取得的人才－要分類的海量資料也是不現(xiàn)實(shí)的，甚至是驚人的。事實(shí)是，大量數(shù)據(jù)中絕大部分對(duì)洞察關(guān)鍵業(yè)務(wù)系統(tǒng)的效能並沒(méi)有特別大的用處。

更多並不意味著更好。同時(shí)，大多數(shù)流行的可觀測(cè)性解決方案表明，為了解決龐大的資料流和複雜性這一大數(shù)據(jù)問(wèn)題，需要使用大量複雜的功能和額外的工具——所有這些都需要一個(gè)昂貴的價(jià)格標(biāo)籤來(lái)應(yīng)對(duì)數(shù)據(jù)的膨脹。但仍有希望

迎接人工智慧可觀測(cè)性時(shí)代

在微服務(wù)和人工智慧生成程式碼的現(xiàn)代可觀測(cè)性時(shí)代，我們不需要過(guò)於複雜或昂貴的可觀測(cè)性。是的，隨著人工智慧應(yīng)用的不斷增長(zhǎng)，我們看到了巨大的希望。驅(qū)動(dòng)人工智慧驅(qū)動(dòng)程式碼的大語(yǔ)言模型(LLM)為可觀測(cè)性提供了一種新的方法

這是如何運(yùn)作的？ LLM正在變得善於處理、學(xué)習(xí)和識(shí)別大規(guī)模重複文字資料中的模式——這正是高度分散式和動(dòng)態(tài)系統(tǒng)中的日誌資料和其他遙測(cè)的本質(zhì)特徵。 LLM知道如何回答基本問(wèn)題並得出有用的推論、假設(shè)和預(yù)測(cè)。

這種方法並不完美，因?yàn)長(zhǎng)LM模型還不是為即時(shí)設(shè)計(jì)的，在確定完整的上下文範(fàn)圍以解決所有可觀測(cè)性難題方面也不夠準(zhǔn)確。然而，與人類在合理的時(shí)間內(nèi)理解和建立大量機(jī)器生成的數(shù)據(jù)的上下文相比，首先用LLM建立一個(gè)基線，了解發(fā)生了什麼並獲得有益的建議要容易得多。

因此，LLM對(duì)解決可觀測(cè)性問(wèn)題非常相關(guān)。它們旨在用於基於文本的系統(tǒng)，以及分析和提供見解。這可以透過(guò)整合輕鬆地應(yīng)用於可觀測(cè)性，以提供有意義的建議。

重寫後的內(nèi)容是：我們認(rèn)為，在這個(gè)領(lǐng)域中，LLM的最大價(jià)值之一是更好地支持那些可能沒(méi)有很高技術(shù)熟練度的從業(yè)者，並使他們能夠處理大量複雜的數(shù)據(jù)問(wèn)題。大多數(shù)需要解決的生產(chǎn)問(wèn)題都有足夠的時(shí)間讓LLM根據(jù)歷史情境資料提供協(xié)助。透過(guò)這種方式，LLM可以使可觀測(cè)性更簡(jiǎn)單、更經(jīng)濟(jì)高效

同時(shí)，儘管人工智慧在可觀測(cè)性方面正在變得日益強(qiáng)大，但未來(lái)還有更有趣、更具顛覆性的機(jī)會(huì)。接下來(lái)的是可以用自然語(yǔ)言書寫和調(diào)查的LLM，而不是晦澀難懂的查詢語(yǔ)言——這對(duì)所有級(jí)別的用戶來(lái)說(shuō)都是巨大的福音，但對(duì)那些比較缺乏實(shí)踐經(jīng)驗(yàn)的人尤其如此，包括業(yè)務(wù)部門的管理人員。

現(xiàn)在，使用者不再需要成為所有相關(guān)資訊的專家，他們可以編寫與常見參數(shù)相關(guān)的查詢，並使用業(yè)務(wù)部門主管使用的自然語(yǔ)言，而不僅僅是生產(chǎn)工程師。這使得廣泛的新流程和利益相關(guān)者都能夠獲得可觀測(cè)性，而不僅僅是生產(chǎn)工程師

在Logz.io，我們已經(jīng)開始與LLM集成，並且正在努力在平臺(tái)上開發(fā)令人興奮的新功能，旨在充分利用這些新興的人工智慧能力。我們相信，這將為那些面對(duì)大數(shù)據(jù)挑戰(zhàn)並尋求必要的可觀測(cè)性的組織帶來(lái)關(guān)鍵的創(chuàng)新。儘管市場(chǎng)上仍然存在著成本和複雜性的緊迫問(wèn)題，但我們相信這給每個(gè)人帶來(lái)了許多保持樂(lè)觀的理由

以上是如何提高人工智慧的可觀測(cè)性？的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！