人工智能如何增强可观测性

当前的时代背景下，理解怀念过去是可以理解的，但我们正处在这样的环境里，因此，可观测性永远不会和从前一样了。

最近，可观测性变得越来越复杂，肯定比IT监控的早期阶段要复杂得多，那时所有的事物都是在大型主机上运行，日志和所有可用的监控数据都可以轻松地收集和可视化。

即使在更近期应用成为大多数组织的核心之后，情况也简单得多。然而，在我们当前的Kubernetes、微服务和无服务器的世界，情况看起来大不相同。想象一下用锤子击碎过去那可以轻松观测的流动，看着它分解成上百块碎片；但是，所有这些小碎片仍必须保持紧密相连并持续交流。

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？

理解怀念过去是可以理解的，但我们正处在这样的环境里，因此，可观测性永远不会和从前一样了。

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。

然后，让我们考虑在当今世界设计一个可靠的可观测性系统的艺术——在编码或基础设施问题已经发展成大数据问题的地方——这现在还需要找到方法来提高这些现代可观测性系统的计算、网络和存储需求的效率。更多的数据不意味着更好的洞见。

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。再次，可观测性成为一个迫在眉睫的大数据难题 网页链接