Tốt nhất năm 0 cái Khả năng quan sát AI Công cụ

Một nhóm SRE của một nhà bán lẻ trực tuyến lớn sử dụng nền tảng quan sát AI để giám sát dịch vụ thanh toán của họ. Mô hình học máy của công cụ, được huấn luyện trên dữ liệu hiệu suất lịch sử, phát hiện ra sự gia tăng nhỏ về độ trễ API vẫn nằm trong ngưỡng cảnh báo tiêu chuẩn. Nó tự động tương quan điều này với một truy vấn cơ sở dữ liệu cụ thể và cảnh báo cho nhóm *trước khi* người dùng bắt đầu gặp phải tình trạng chậm hoặc từ bỏ giỏ hàng. Điều này cho phép các kỹ sư chủ động tối ưu hóa truy vấn, ngăn ngừa tổn thất doanh thu và duy trì trải nghiệm khách hàng mượt mà trong một sự kiện bán hàng có lưu lượng truy cập cao.

Một nhà phát triển được giao nhiệm vụ sửa một lỗi trong đó việc cập nhật hồ sơ người dùng đôi khi thất bại. Ứng dụng bao gồm hơn 50 vi dịch vụ. Thay vì kiểm tra nhật ký của từng dịch vụ theo cách thủ công, họ sử dụng tính năng truy vết phân tán của một công cụ quan sát. Họ tìm thấy một dấu vết cho một yêu cầu không thành công và ngay lập tức thấy toàn bộ chuỗi cuộc gọi. Hình ảnh trực quan cho thấy một dịch vụ xác thực ở hạ nguồn đã hết thời gian chờ, gây ra lỗi hàng loạt. Công cụ xác định chính xác dịch vụ và khối mã, giảm thời gian gỡ lỗi từ vài giờ xuống dưới mười phút.

Một nhóm MLOps quản lý một mô hình phát hiện gian lận. Sử dụng một công cụ quan sát, họ không chỉ giám sát các chỉ số hệ thống mà còn cả các chỉ số dành riêng cho mô hình như điểm tin cậy dự đoán và phân phối đặc trưng. AI của công cụ phát hiện ra sự thay đổi dần dần trong phân phối dữ liệu đầu vào, cho thấy các mẫu giao dịch của khách hàng đang thay đổi. Nó cảnh báo cho nhóm rằng độ chính xác của mô hình có khả năng sẽ sớm suy giảm. Điều này cho phép họ chủ động kích hoạt một quy trình đào tạo lại với dữ liệu mới, duy trì độ chính xác cao và ngăn chặn sự gia tăng các giao dịch gian lận bị bỏ sót.

Một nhóm vận hành CNTT đang đối mặt với hóa đơn đám mây ngày càng tăng. Họ triển khai một công cụ quan sát AI trên các cụm Kubernetes của mình. Nền tảng này phân tích các mẫu sử dụng tài nguyên (CPU, bộ nhớ) so với hiệu suất ứng dụng. Nó xác định một số dịch vụ liên tục được cấp phát quá mức, tiêu thụ tài nguyên đắt tiền mà không mang lại lợi ích hiệu suất tương ứng. Nó cũng gắn cờ các truy vấn cơ sở dữ liệu không hiệu quả đang gây ra chi phí I/O cao. Dựa trên những khuyến nghị cụ thể, dựa trên dữ liệu này, nhóm điều chỉnh các yêu cầu tài nguyên và tái cấu trúc các truy vấn, dẫn đến giảm 25% chi tiêu đám mây hàng tháng của họ.

Một nhà phân tích bảo mật sử dụng nền tảng quan sát để giám sát nhật ký truy cập từ tất cả các hệ thống sản xuất. AI của công cụ tự động phân cụm hàng tỷ mục nhật ký thành vài chục mẫu. Nhà phân tích nhận thấy một mẫu mới, tần suất thấp cho thấy các lần thử đăng nhập thất bại lặp đi lặp lại từ một dải IP bất thường, theo sau là một lần đăng nhập thành công. Mẫu này, gần như không thể tìm thấy bằng tay, ngay lập tức được gắn cờ là một cuộc tấn công brute-force tiềm tàng. Đội ngũ bảo mật có thể nhanh chóng chặn dải IP và điều tra tài khoản bị xâm phạm, ngăn chặn một vụ vi phạm dữ liệu tiềm tàng.

Một nhóm sản phẩm muốn hiểu tại sao sự tương tác của người dùng đang giảm trong ứng dụng di động của họ. Họ sử dụng một công cụ quan sát liên kết dữ liệu hiệu suất phía người dùng (ví dụ: thời gian tải trang, độ trễ tương tác) với các dấu vết phía máy chủ. Họ phát hiện ra rằng người dùng ở một khu vực địa lý cụ thể đang gặp phải độ trễ cao khi tải trang hồ sơ của họ. Dấu vết phân tán cho thấy các yêu cầu từ khu vực này đang được định tuyến đến một trung tâm dữ liệu ở xa. Bằng cách tương quan dữ liệu kỹ thuật này với các bản ghi phiên của người dùng, họ xác nhận rằng người dùng đang từ bỏ ứng dụng vì thất vọng. Sau đó, nhóm làm việc với bộ phận vận hành để triển khai định tuyến địa lý tốt hơn, giải quyết được độ trễ và khôi phục mức độ tương tác của người dùng.