[ad_1]
L’intelligenza artificiale (AI) e i modelli linguistici di grandi dimensioni (LLM) hanno dominato la scena tecnologica nell’ultimo anno. Come sottoprodotto, i fornitori di quasi tutti i settori tecnologici stanno aggiungendo funzionalità di intelligenza artificiale e si stanno adoperando per promuovere il modo in cui i loro prodotti e servizi la utilizzano.
Questa tendenza si è fatta strada anche nello spazio di osservabilità e monitoraggio. Tuttavia, le soluzioni di intelligenza artificiale che arrivano sul mercato spesso danno la sensazione di mettere un piolo quadrato in un buco rotondo. Sebbene l’intelligenza artificiale possa avere un impatto significativo su alcune aree di osservabilità, non è adatta per altre. In questo articolo condividerò le mie opinioni su come l’intelligenza artificiale può e non può supportare una pratica di osservabilità, almeno in questo momento.
La lunga coda degli errori
La natura stessa dell’osservabilità rende irrealizzabile la “previsione” nel senso tradizionale. Nella vita, alcuni tipi di eventi legati a cause di forza maggiore possono avere un impatto sul business e sono impossibili da prevedere: eventi legati al clima, conflitti geopolitici, pandemie e altro ancora. Questi eventi sono così rari e capricciosi che non è plausibile addestrare un modello di intelligenza artificiale per prevedere quando sarà imminente.
La lunga coda di potenziali errori nello sviluppo delle applicazioni rispecchia ciò. Nell’osservabilità, molti errori possono verificarsi solo una volta, in modo tale che potresti non vederli mai più accadere nella tua vita, mentre altri tipi di errori possono verificarsi quotidianamente. Pertanto, se stai cercando di addestrare un modello in grado di comprendere e prevedere completamente tutti i modi in cui le cose potrebbero andare storte in un contesto di sviluppo di applicazioni, probabilmente rimarrai deluso.
Dati di scarsa qualità
Un altro modo in cui l’intelligenza artificiale deve migliorare in termini di osservabilità è la sua incapacità di fare una distinzione tra i dettagli irrilevanti e quelli che non lo sono. In altre parole, l’intelligenza artificiale può rilevare aberrazioni piccole e insignificanti con un grande impatto sui risultati.
Ad esempio, in precedenza, ho lavorato con un cliente addestrando un modello di intelligenza artificiale con ore di riprese di basket per prevedere i canestri riusciti rispetto a quelli falliti. C’era un grosso problema: tutte le riprese di un canestro fallito includevano un timestamp sul video. Pertanto, i timestamp determinati dal modello hanno un impatto sul successo di uno scatto (non sul risultato che stavamo cercando).
Le pratiche di osservabilità spesso funzionano con dati imperfetti: contenuti di registro non necessari, dati rumorosi, ecc. Quando si introduce l’intelligenza artificiale senza ripulire questi dati, si crea la possibilità di falsi positivi – come dice il proverbio, “spazzatura dentro e spazzatura fuori”. In definitiva, ciò può lasciare le organizzazioni in una posizione più vulnerabile di stanchezza da allerta.
Dove l’intelligenza artificiale Fa Osservabilità adatta
Quindi, dove dovremmo usare l’intelligenza artificiale nell’osservabilità? Un’area in cui l’intelligenza artificiale può aggiungere molto valore è la definizione di set di dati e il rilevamento di anomalie. In effetti, molti team utilizzano già da tempo l’intelligenza artificiale per il rilevamento di anomalie. In questo caso d’uso, i sistemi di intelligenza artificiale possono, ad esempio, capire quale sia l’attività “normale” nelle diverse stagionalità e segnalare quando rileva un valore anomalo. In questo modo, l’intelligenza artificiale può avvisare proattivamente i team quando qualcosa potrebbe andare storto.
Un’altra area in cui l’intelligenza artificiale può essere utile è l’accorciamento della curva di apprendimento quando si adotta un nuovo linguaggio di query. Diversi fornitori stanno attualmente lavorando su traduttori di query in linguaggio naturale guidati dall’intelligenza artificiale. Un traduttore di linguaggio naturale è un ottimo modo per abbassare le barriere all’ingresso quando si utilizza un nuovo strumento. Permette ai professionisti di concentrarsi sul flusso e sulla pratica stessa piuttosto che sulle pipe, sui punti e virgola e su tutte le altre sfumature che derivano dall’apprendimento di una nuova sintassi.
Su cosa concentrarsi invece
Che si tratti di iniziare un viaggio con l’intelligenza artificiale o di apportare qualsiasi altro miglioramento, comprendere le tendenze di utilizzo è essenziale per ottimizzare il valore di una pratica di osservabilità. Migliorare un sistema senza capirne l’utilizzo è come lanciare freccette in una stanza buia. Se nessuno usa il sistema di osservabilità, è inutile averlo. Molte analisi diverse possono aiutarti a sapere chi sta utilizzando il sistema e, al contrario, chi non sta utilizzando il sistema che dovrebbe essere.
Gli operatori dovrebbero concentrarsi sull’utilizzo relativo a quanto segue:
- Contenuti generati dagli utenti: gli utenti creano avvisi o dashboard? Con quale frequenza vengono visualizzati? Con quanto ritardo i dati arrivano a questi dashboard? È possibile migliorare la situazione?
- Query: con quale frequenza esegui query che alimentano dashboard e avvisi? Le query sono veloci o lente e potrebbero essere ottimizzate per le prestazioni? Comprendere e migliorare la velocità delle query può migliorare la velocità di sviluppo delle funzioni principali.
- Dati: quale volume viene archiviato e da quali fonti? Quanti dei dati memorizzati vengono effettivamente interrogati? Quali sono gli hotspot/zone morte e lo spazio di archiviazione può essere suddiviso in livelli in modo da ottimizzare i costi di archiviazione nel cloud?
Pensieri conclusivi
Credo che l’intelligenza artificiale sia attualmente al culmine della curva di hype. In un contesto di sviluppo di applicazioni, fingere che l’intelligenza artificiale faccia ciò che non fa, ovvero prevedere le cause profonde e consigliare soluzioni specifiche, non ci porterà, dopo tutto il clamore pubblicitario, al punto in cui la tecnologia diventa effettivamente utile. Esistono oggi modi molto concreti in cui l’intelligenza artificiale può trasformare gli ingranaggi in miglioramenti dell’osservabilità – ed è qui che dovremmo concentrarci.
[ad_2]
Source link
