Souhrn
Dynatrace, platforma pro sledovatelnost poháněná umělou inteligencí, rozšiřuje své možnosti do hlubších vrstev AI zásobníku, aby zajistila prevenci chyb a spolehlivost systémů. Podle generálního ředitele Ricka McConnella slouží k validaci výsledků AI modelů, predikci možných selhání a koordinaci ekosystému agentů pro autonomní řešení problémů. Téma bylo diskutováno na konferenci AWS re:Invent v rozhovoru pro theCUBE.
Klíčové body
- End-to-end sledovatelnost zahrnující úroveň dat (Grail data lakehouse), doménovou úroveň (AI engine pro analýzu) a personální úroveň (integrace pro vývojáře, IT týmy a týmy spolehlivosti webu).
- Ekosystém agentů, který analyzuje biliony propojených datových bodů z Dynatrace, predikuje problémy a deleguje úkoly dalším agentům.
- Cíl: doručení softwaru, který funguje bez chyb, prostřednictvím prediktivního managementu.
- Investice do konsolidace nástrojů pro zvládání explozivního růstu datové složitosti v AI.
- Diskuse zdůrazňuje nutnost AI-poháněných nástrojů místo manuálního nebo silovaného řízení.
Podrobnosti
Dynatrace LLC, americká firma specializující se na sledovatelnost IT systémů a aplikací, vidí svou platformu jako nezbytný prvek v architektuře umělé inteligence. Sledovatelnost zde znamená komplexní sběr, analýzu a vizualizaci dat z celého IT prostředí, což umožňuje detekovat anomálie, optimalizovat výkon a predikovat poruchy. V kontextu AI se Dynatrace posouvá za tradiční monitorování k aktivní prevenci.
Generální ředitel Rick McConnell popsal, jak platforma využívá ekosystém autonomních agentů. Tyto agenty berou vstupy z Dynatrace, která zpracovává biliony propojených datových bodů z aplikací, cloudu a AI modelů. Na základě toho hodnotí aktuální stav, anticipují potenciální problémy – například přetížení modelu kvůli špatným datům nebo škálovací selhání – a následně delegují akce dalším agentům. Tento přístup má za cíl vytvořit software, který funguje bezchybně, bez nutnosti lidského zásahu.
Klíčovou součástí je end-to-end architektura. Na úrovni dat slouží Grail data lakehouse k ukládání a zpracování obrovských objemů strukturovaných i nestrukturovaných dat v jednom systému, což umožňuje rychlé dotazy a analýzy bez duplikace. Doménová úroveň přináší AI engine, který na těchto datech provádí pokročilou analýzu, jako je korelace událostí napříč službami. Personální úroveň zajišťuje plnou integraci pro různé role: vývojáři mohou sledovat chyby v kódu, IT týmy výkon infrastruktury a týmy spolehlivosti webu (SRE) dostupnost systémů. Tato konsolidace řeší problém s explozí dat v AI prostředích, kde manuální management selhává a silované nástroje vedou k neúplnému pohledu.
Rozhovor s Daveem Vellantem na AWS re:Invent zdůraznil evoluci sledovatelnosti od pasivního monitoringu k proaktivnímu AI managementu. Dynatrace tak nenabízí jen diagnostiku, ale i prediktivní korekce, což je v praxi použitelné pro škálování velkých jazykových modelů (LLM) nebo agentických systémů.
Proč je to důležité
V éře rychlého růstu AI systémů, kde data explodují v objemu i složitosti, se stává sledovatelnost klíčovým faktorem spolehlivosti. Bez ní hrozí nečekané selhání modelů, což má dopady na výkon aplikací v produkci – od zpoždění v chatbotech po chyby v rozhodovacích systémech. Dynatrace přispívá k vyvažování AI tím, že validuje výstupy modelů a integruje se do agentických ekosystémů, což snižuje rizika pro firmy zavádějící AI do provozu. Pro průmysl to znamená přechod od reaktivního řešení problémů k prediktivnímu managementu, což je nezbytné pro masové nasazení AI v cloudu. Nicméně, jako expert upozorňuji, že úspěch závisí na kvalitě dat a interoperabilitě s jinými platformami, jinak zůstane jen dalším nástrojem v silu.
Zdroj: 📰 SiliconANGLE News
| 