隨著軟件系統(tǒng)變得越來越復(fù)雜，可觀察性（根據(jù)系統(tǒng)外部輸出了解系統(tǒng)內(nèi)部狀態(tài)的能力）已成為開發(fā)人員和運(yùn)營團(tuán)隊(duì)的一項(xiàng)關(guān)鍵實(shí)踐。

 傳統(tǒng)的可觀測性方法難以跟上現(xiàn)代應(yīng)用的規(guī)模和復(fù)雜性。隨著遙測數(shù)據(jù)量的增加，導(dǎo)航變得成本高昂且復(fù)雜。進(jìn)入人工智能及其徹底改變可觀察性的承諾。

TestComplete 是一款自動(dòng)化UI測試工具，這款工具目前在全球范圍內(nèi)被廣泛應(yīng)用于進(jìn)行桌面、移動(dòng)和Web應(yīng)用的自動(dòng)化測試。

TestComplete 集成了一種精心設(shè)計(jì)的自動(dòng)化引擎，可以自動(dòng)記錄和回放用戶的操作，方便用戶進(jìn)行UI（用戶界面）測試，該工具提供了腳本和圖形化界面操作支持。

TestComplete免費(fèi)下載

 AI 可觀測性是監(jiān)控和了解 AI 基礎(chǔ)設(shè)施本身的實(shí)踐，例如大型語言模型 (LLM)、檢索增強(qiáng)生成 (RAG) 系統(tǒng)和其他 AI 組件。隨著 AI 系統(tǒng)在生產(chǎn)環(huán)境中越來越受歡迎，其性能和可信度至關(guān)重要。

 例如，假設(shè)一家電子商務(wù)公司使用 LLM 生成個(gè)性化產(chǎn)品描述。監(jiān)控 LLM 的表現(xiàn)、檢測潛在偏見并確保其輸出與公司的品牌和價(jià)值觀相符，這些都屬于 AI 可觀察性的范疇。

 另一方面，人工智能驅(qū)動(dòng)的可觀察性探索了人工智能功能如何增強(qiáng)和改變傳統(tǒng)的軟件可觀察性工具和實(shí)踐。這種方法利用人工智能技術(shù)來改善可觀察性的各個(gè)方面，從數(shù)據(jù)收集和分析到可視化和洞察。

人工智能驅(qū)動(dòng)的可觀察性：重新構(gòu)想監(jiān)控和洞察

 人工智能驅(qū)動(dòng)的可觀察性探索了人工智能如何徹底改變我們在傳統(tǒng)軟件系統(tǒng)中處理可觀察性的方式。讓我們來看看人工智能可以產(chǎn)生重大影響的一些領(lǐng)域。

數(shù)據(jù)收集和采樣

 可觀測性的最大挑戰(zhàn)之一是確定要收集哪些遙測數(shù)據(jù)以及要采樣多少數(shù)據(jù)。異常檢測和智能采樣等人工智能技術(shù)可以通過識(shí)別相關(guān)模式并優(yōu)先考慮最有價(jià)值的數(shù)據(jù)點(diǎn)來幫助優(yōu)化數(shù)據(jù)收集。

 例如，人工智能模型可以實(shí)時(shí)分析日志數(shù)據(jù)并檢測異常模式或事件。然后，它可以相應(yīng)地動(dòng)態(tài)調(diào)整采樣率或數(shù)據(jù)收集策略。

可觀察性副駕駛：對(duì)話式故障排除

 人工智能驅(qū)動(dòng)的可觀察性最令人興奮的前景之一是可能開發(fā)出“可觀察性副駕駛”。這將是一個(gè)人工智能助手，可以分析日志、指標(biāo)和跟蹤，識(shí)別根本原因等等。這個(gè)副駕駛的獨(dú)特之處在于它能夠進(jìn)行自然對(duì)話。

 開發(fā)人員無需編寫復(fù)雜的查詢并篩選來自多個(gè)系統(tǒng)的日志，而是可以用通俗易懂的語言提出開放式問題，就像他們正與知識(shí)淵博的同事一起嘗試調(diào)試問題一樣。由自然語言處理 (NLP) 和機(jī)器學(xué)習(xí) (ML) 提供支持的可觀察性副駕駛可以理解這些查詢，分析相關(guān)的可觀察性數(shù)據(jù)，并提供可行的見解和建議。

 這種對(duì)話式 AI 故障排除方法可以顯著減少開發(fā)人員解決問題所需的時(shí)間和精力，并降低那些不太熟悉可觀察性工具和查詢語言的開發(fā)人員的進(jìn)入門檻。

數(shù)據(jù)存儲(chǔ)和管理

 傳統(tǒng)的可觀測性工具通常依賴時(shí)間序列數(shù)據(jù)庫來存儲(chǔ)和管理遙測數(shù)據(jù)。隨著可觀測性數(shù)據(jù)的數(shù)量和種類不斷增長，這些數(shù)據(jù)庫的管理成本和復(fù)雜性也會(huì)不斷增加。

 人工智能可能會(huì)改變我們存儲(chǔ)和管理可觀測數(shù)據(jù)的方式。人工智能模型可以學(xué)習(xí)模式并以更高效的方式匯總數(shù)據(jù)，而不是逐字存儲(chǔ)原始數(shù)據(jù)，從而降低存儲(chǔ)成本并提高查詢性能。

 例如，AI 模型可以分析日志數(shù)據(jù)并識(shí)別重復(fù)出現(xiàn)的模式或冗余信息。然后，它可以存儲(chǔ)這些模式的壓縮表示以及元數(shù)據(jù)和指向原始日志條目的指針，從而有效減少整體存儲(chǔ)空間，同時(shí)保留在需要時(shí)重建和分析完整數(shù)據(jù)集的能力。

預(yù)測可觀測性

 雖然傳統(tǒng)的可觀測性工具擅長提供對(duì)當(dāng)前和過去系統(tǒng)狀態(tài)的可見性，但人工智能可以釋放預(yù)測和主動(dòng)解決未來問題的能力。通過分析歷史可觀測性數(shù)據(jù)并識(shí)別模式，人工智能模型可以對(duì)潛在問題做出預(yù)測。

 例如，人工智能驅(qū)動(dòng)的可觀察性解決方案可以分析來自 Web 應(yīng)用程序的日志、指標(biāo)和跟蹤，同時(shí)考慮流量模式、用戶行為和基礎(chǔ)設(shè)施擴(kuò)展事件等因素。利用這些數(shù)據(jù)，人工智能模型可以預(yù)測即將到來的高負(fù)載或潛在瓶頸時(shí)期，并提前提醒開發(fā)人員或運(yùn)營團(tuán)隊(duì)。

 這些 AI 模型可能不僅限于簡單的警報(bào)，還能提供切實(shí)可行的建議，以緩解或預(yù)防預(yù)測的問題。系統(tǒng)可能會(huì)根據(jù)預(yù)測的工作負(fù)載建議擴(kuò)展特定的微服務(wù)、調(diào)整數(shù)據(jù)庫配置或?qū)嵤┚彺娌呗浴?

挑戰(zhàn)和注意事項(xiàng)

雖然人工智能驅(qū)動(dòng)的可觀察性的潛力令人興奮，但也有幾個(gè)挑戰(zhàn)和注意事項(xiàng)需要牢記：

數(shù)據(jù)隱私和安全：可觀測性數(shù)據(jù)通常包含敏感信息，例如用戶數(shù)據(jù)、系統(tǒng)配置和應(yīng)用程序日志。組織必須確保用于可觀測性的任何 AI 系統(tǒng)都遵守嚴(yán)格的數(shù)據(jù)隱私和安全協(xié)議。在 AI 模型處理可觀測性數(shù)據(jù)之前，應(yīng)對(duì)其進(jìn)行適當(dāng)?shù)哪涿蚓庉嫛?

數(shù)據(jù)所有權(quán)和共享：由于擔(dān)心數(shù)據(jù)所有權(quán)和知識(shí)產(chǎn)權(quán)，一些組織可能不愿意與第三方 AI 提供商共享可觀測性數(shù)據(jù)。這可能會(huì)限制采用 AI 驅(qū)動(dòng)的可觀測性解決方案，尤其是以基于云的服務(wù)提供的解決方案。

信任和可解釋性：雖然 AI 模型可以提供有價(jià)值的見解和建議，但開發(fā)人員和運(yùn)營團(tuán)隊(duì)可能會(huì)猶豫是否盲目信任這些建議，而不清楚背后的原因。AI 驅(qū)動(dòng)的可觀察性解決方案必須優(yōu)先考慮可解釋性和透明度，讓用戶了解 AI 決策和建議背后的理由。

技能和文化采用：采用人工智能驅(qū)動(dòng)的可觀察性可能需要提高開發(fā)和運(yùn)營團(tuán)隊(duì)的技能，并實(shí)現(xiàn)組織內(nèi)部的文化轉(zhuǎn)變。團(tuán)隊(duì)必須愿意接受新技術(shù)和工作流程，領(lǐng)導(dǎo)者必須提供必要的培訓(xùn)和支持，以確保采用過程順利進(jìn)行。

 盡管存在這些挑戰(zhàn)，人工智能驅(qū)動(dòng)的可觀察性的潛在優(yōu)勢是巨大的，能夠成功解決這些問題的組織可能會(huì)在卓越運(yùn)營、彈性和創(chuàng)新方面獲得競爭優(yōu)勢。

【慧都】提供SmartBear旗下: API測試SoapUI Pro、代碼審查Collaborator、內(nèi)存性能分析AQtime Pro等眾多軟件正版授權(quán)、最新下載、后買咨詢等服務(wù)，歡迎咨詢