當前的時代背景下，理解懷念過去是可以理解的，但我們正處在這樣的環境里，因此，可觀測性永遠不會和從前一樣了。

最近，可觀測性變得越來越復雜，肯定比IT監控的早期階段要復雜得多，那時所有的事物都是在大型主機上運行，日志和所有可用的監控數據都可以輕松地收集和可視化。

即使在更近期應用成為大多數組織的核心之后，情況也簡單得多。然而，在我們當前的Kubernetes、微服務和無服務器的世界，情況看起來大不相同。想象一下用錘子擊碎過去那可以輕松觀測的流動，看著它分解成上百塊碎片；但是，所有這些小碎片仍必須保持緊密相連并持續交流。

本質上，這種情況是由初期引入的抽象化和虛擬化所造成的。然后Kubernetes出現了，它的短暫、快速變化和分布式特性增加了許多復雜度。在這里，一切都變得更加難以管理，也更難監控和故障排除；許多人感到不知所措，納悶自己陷入了什么狀況。我們可能會問自己——是否一切真的需要這么復雜？

理解懷念過去是可以理解的，但我們正處在這樣的環境里，因此，可觀測性永遠不會和從前一樣了。

重新審視“現代”可觀測性的界限

首先，讓我們退一步，介紹一些基本原則，從定義開始。在我們的云基礎設施和應用程序的背景下，可觀測性是檢查軟件并做出基于數據的決策來監控和修復生產系統的藝術。關鍵是要注意，這些決策應該專注于特定的結果和服務級別目標，而不僅僅是持續的監控、報警和故障排除。

然后，讓我們考慮在當今世界設計一個可靠的可觀測性系統的藝術——在編碼或基礎設施問題已經發展成大數據問題的地方——這現在還需要找到方法來提高這些現代可觀測性系統的計算、網絡和存儲需求的效率。更多的數據不意味著更好的洞見。

事實證明，抽象化、虛擬化和微服務只是冰山一角。隨著人工智能工具的出現和持續采用，比如Copilot、Code Whisperer等，人類處理、分析和關聯數十億個不同的事件來理解他們編寫的代碼是否按預期運行，這實際上成為一個無法解決的問題。再次，可觀測性成為一個迫在眉睫的大數據難題。

即使工程師具有理解可觀測性信號以及如何分析遙測數據的技能——這是難以獲取的人才——要分類的海量數據也是不現實的，甚至是驚人的。事實是，大量數據中絕大部分對洞察關鍵業務系統的性能沒有特別大的用處。

更多不等于更好。與此同時，大多數流行的可觀測性解決方案表明，需要通過使用大量復雜的功能和額外的工具來解決龐大的數據流和復雜性這個大數據問題——所有這些都需要一個高昂的價格標簽，與數據膨脹相匹配。但還是有希望的。

迎接人工智能可觀測性時代

在微服務和人工智能生成代碼的現代可觀測性時代，可觀測性不必過于復雜或昂貴，是的——日益增長的人工智能應用提供了巨大的希望。驅動人工智能驅動代碼的大語言模型(LLM)為可觀測性提供了一種新的方法。

這是如何工作的？LLM正在變得善于處理、學習和識別大規模重復文本數據中的模式——這正是高度分布式和動態系統中的日志數據和其他遙測的本質特征。LLM知道如何回答基本問題并得出有用的推斷、假設和預測。

這種方法并不完美，因為LLM模型還不是為實時設計的，在確定完整的上下文范圍以解決所有可觀測性難題方面也不夠準確。然而，與人類在合理的時間內理解和建立大量機器生成的數據的上下文相比，首先用LLM建立一個基線，了解發生了什么并獲得有益的建議要容易得多。

因此，LLM對解決可觀測性問題非常相關。它們旨在用于基于文本的系統，以及分析和提供見解。這可以通過集成輕松地應用于可觀測性，以提供有意義的建議。

我們認為，在這方面LLM的最大價值之一是更好地支持可能沒有很高技術熟練度的從業者，并使他們能夠處理必須解決的大量復雜數據。大多數需要恢復的生產問題都有足夠的時間讓LLM根據歷史上下文數據提供幫助。通過這種方式，LLM能夠使可觀測性更簡單、更經濟高效。

與此同時，盡管人工智能在可觀測性方面正在變得日益強大，但未來還有更有趣、更具顛覆性的機會。接下來的是可以用自然語言書寫和調查的LLM，而不是晦澀難懂的查詢語言——這對所有級別的用戶來說都是巨大的福音，但對那些比較缺乏實踐經驗的人尤其如此，包括業務部門的管理人員。

用戶不再需要掌握所有相關信息的專家，現在人們能夠編寫與常見參數相關的查詢，最重要的是業務部門主管使用的自然語言，而不僅僅是生產工程師。這為廣泛的新流程和利益相關者解鎖了可觀測性，不僅僅是生產工程師。

在Logz.io，我們已經開始與LLM集成，現在正在平臺上努力開發令人興奮的新功能，目的是利用這些新興的人工智能能力。我們相信，這是為面臨大數據挑戰的尋求必要可觀測性的組織提供下一波關鍵創新的手段。雖然成本和復雜性的緊迫問題在市場上仍然存在，但我們相信這給了每個人許多保持樂觀的理由。