- Observability: ตัวชี้วัดที่บอกว่าเราสามารถอนุมานสถานะภายในของระบบได้ดีเพียงใดจากผลลัพธ์เอาต์พุตภายนอกของระบบ
- รวบรวมเมตริก อีเวนต์ ล็อก และเทรซ เพื่อนำมาทำภาพข้อมูลและวิเคราะห์
- ให้ข้อมูลบริบทของการทำงานภายในอย่างครบถ้วน ช่วยแก้ปัญหาระบบเชิงลึก
- สรุป 5 เทรนด์ด้าน Observability ในปี 2024 ที่ถูกกล่าวถึงอย่างน้อย 3 ครั้ง จากเทรนด์ที่บริษัทด้าน Observability เช่น Grafana Labs, Splunk, Dynatrace, Chronosphere และสถาบันวิจัยตลาดอย่าง Dimensional Research นำเสนอ
- อิทธิพลของ AI ที่ขยายตัวในฐานะ ‘เครื่องมือ’ ด้าน Observability
- AI ถูกใช้ในงานด้านการเชื่อมโยงสัญญาณ การตรวจจับความผิดปกติ การวิเคราะห์สาเหตุราก และการปรับประสิทธิภาพ เพื่อช่วยให้เข้าใจได้เร็วขึ้นว่า ‘เกิดอะไรขึ้นในระบบ’
- หาก AI ตรวจพบความผิดปกติ ก็จะผ่านการตรวจสอบและการตอบสนองอัตโนมัติ ก่อนนำไปสู่การแก้ปัญหาแบบอัตโนมัติ
- ความต้องการเครื่องมือที่ช่วยทำงานอัตโนมัติในกระบวนการประจำวันและลดงานที่ใช้เวลานาน กำลังเพิ่มการใช้งาน AI ในด้าน Observability
- หากต้องการตามให้ทันความเร็วของการส่งมอบแบบ cloud-native องค์กรจำเป็นต้องมีการวิเคราะห์ที่ขับเคลื่อนด้วย AI ซึ่งมีความแม่นยำและคาดการณ์ได้ โดยทำงานบนโครงสร้างพื้นฐานแบบมัลติคลาวด์และแนวปฏิบัติการพัฒนาแบบ Agile ที่ถูกทำให้อัตโนมัติในวงกว้าง
- หากใช้เครื่องมือ Observability ที่ผสาน AI เชิงเหตุและผล, AI เชิงคาดการณ์ และ Generative AI เข้าด้วยกัน ก็จะได้อินไซต์ที่หลากหลายยิ่งขึ้นจากข้อมูลด้าน Observability, ความปลอดภัย และธุรกิจ ทำให้วิเคราะห์ระบบเชิงลึกได้
- แน่นอนว่ายังต้องใช้เวลา กว่าที่จะมองได้ว่า ‘AI มีความน่าเชื่อถือถึงระดับที่ลูกค้าต้องการแล้ว’
- ความสำคัญที่เพิ่มขึ้นของการสังเกตการณ์ AI ในฐานะ ‘เป้าหมาย’ ของ Observability
- Generative AI กำลังสร้างข้อมูลจำนวนมหาศาลและซับซ้อนด้วยความเร็วแบบก้าวกระโดด จากการเป็นอาวุธด้านระบบอัตโนมัติและประสิทธิภาพการทำงาน
- ผู้ใช้สร้างคอนเทนต์ด้วย AI และยังพัฒนา ‘AI ของตัวเอง’ ได้โดยตรง ทำให้มีข้อมูลจำนวนมากที่เกิดขึ้นและต้องประมวลผล
- AI มีอิทธิพลอย่างกว้างขวางต่อหลายภาคส่วนของสังคม เช่น การแพทย์ กฎหมาย การเงิน และการท่องเที่ยว จึงต้องทำความเข้าใจมันให้ดี
- การทำงานปกติของ AI หรือความมีอคติของมัน ล้วนเป็นเป้าหมายสำคัญของการสังเกตการณ์
- องค์กรต้องพร้อมสำหรับการสังเกตการณ์ AI อย่างแม่นยำและเฉพาะเจาะจง
- ต้องรู้วิธีดึงเมตริก ล็อก และเทรซจาก AI
- ความพยายามลดต้นทุนด้าน Observability
- หลายบริษัทกำลังกังวลเรื่องงบประมาณ จึงมองหาวิธีจัดการต้นทุนทั้งในมิติเทคนิคและธุรกิจ รวมถึงการบริหารต้นทุน IT โดยรวม
- เมื่อบริษัทเปลี่ยนผ่านไปสู่สภาพแวดล้อมแบบมัลติคลาวด์หรือ cloud-native ปริมาณข้อมูลที่สร้างขึ้นก็เพิ่มขึ้น และต้นทุนที่เกี่ยวข้องก็สูงขึ้น
- ESG Research ระบุว่า “69% ขององค์กรกังวลว่าการเพิ่มขึ้นของข้อมูลด้าน Observability จะทำให้ต้นทุนการเก็บรวบรวมและจัดเก็บข้อมูลสูงมากขึ้นเมื่อเวลาผ่านไป”
- Dynatrace ระบุว่า “ทีมงานจำเป็นต้องตัดสินใจอยู่บ่อยครั้งว่าล็อกใดควรเก็บไว้เพื่อการวิเคราะห์แบบเรียลไทม์ ล็อกใดควรถูกทิ้ง และล็อกใดควรถูกเก็บไว้ในสตอเรจต้นทุนต่ำที่เข้าถึงได้ยากกว่า”
- แนวทางลดต้นทุนด้าน Observability:
- ควบคุมการเพิ่มขึ้นของข้อมูล และใช้เครื่องมือที่ช่วยให้องค์กรดึงคุณค่าจากข้อมูลที่เก็บมาได้ดียิ่งขึ้น
- กรองอีเวนต์ที่ซ้ำซ้อนและไม่เกี่ยวข้อง ซึ่งไม่สร้างคุณค่าให้กับผลลัพธ์ด้าน Observability
- ลบค่าว่าง ลบเลเบลที่ไม่จำเป็น แปลงฟอร์แมตข้อมูลที่ไม่มีประสิทธิภาพให้เป็น ‘ฟอร์แมตที่เหมาะกับเป้าหมายของ Observability’ รวมถึงตัดแต่งและแปลงอีเวนต์
- ความต้องการโอเพนซอร์สและ OpenTelemetry ที่เพิ่มขึ้น
- หลายบริษัทลงทุนในเทคโนโลยีโอเพนซอร์สเพื่อแก้ความกังวลเรื่องการผูกติดกับผู้ให้บริการ และผสานสิ่งเหล่านี้เข้าเป็นส่วนหนึ่งของเทคสแต็กด้าน Observability
- จากแบบสำรวจของ Dimensional Research ผู้ตอบแบบสอบถามที่รับผิดชอบด้าน Observability จำนวน 87% ระบุว่า “OpenTelemetry จะกลายเป็นมาตรฐานของข้อมูล Observability ภายใน 5 ปีข้างหน้า”
- OpenTelemetry ถูกออกแบบมาเพื่อสร้างและจัดการข้อมูลอย่างเทรซ เมตริก และล็อก โดยไม่ผูกติดกับผู้ให้บริการรายใดรายหนึ่ง
- นั่นหมายความว่าสามารถใช้งานร่วมกับเครื่องมือ Observability ทุกตัวที่รองรับ OpenTelemetry ได้
- แต่การนำ OpenTelemetry มาใช้ยังอยู่ในช่วงเริ่มต้น
- ปัญหาในการนำ OpenTelemetry มาใช้ ได้แก่ ความกังวลด้านการสนับสนุนทางเทคนิค ความจำเป็นที่จะต้องรอให้ตลาดยอมรับมากขึ้น และการที่ผู้บริหารยังไม่เข้าใจคุณค่ามากพอ
- การเร่งรวมศูนย์เครื่องมือ Observability
- แทนที่จะใช้เครื่องมือ Observability หลายตัว กำลังมีแนวโน้มชัดเจนในการรวมมาใช้เครื่องมือจากผู้ให้บริการเพียงหนึ่งหรือสองราย
- ผลสำรวจของ Dimensional Research พบว่า องค์กรใช้เครื่องมือด้าน Observability และมอนิเตอร์ริงเฉลี่ยมากกว่า 7 ชนิด
- เหตุผลของการรวมเครื่องมือ Observability ได้แก่ การระบุปัญหาได้เร็วขึ้น การลดต้นทุน การปรับปรุงการทำงานร่วมกันของทีม การลด downtime ให้ต่ำที่สุด การเสริมความปลอดภัย การลดความซับซ้อนของการปฏิบัติการ การลดความจำเป็นในการฝึกอบรม และความต้องการหลีกเลี่ยง data silo
- Chronosphere ระบุว่า “นักพัฒนาและทีมเทคนิคไม่ต้องการเสียเวลาไปมาระหว่างอินเทอร์เฟซผู้ใช้หรือซอฟต์แวร์หลายตัวเพื่อหาคำตอบ และไม่ต้องการเสียค่าใช้จ่ายกับซอฟต์แวร์หลายชุด”
- Dimensional Research ระบุว่า “เมื่อมีเครื่องมือมากเกินไป ความยากในการแสดงความสัมพันธ์ของข้อมูลจะเพิ่มขึ้น ก่อให้เกิด ‘สภาวะ tool silo’ ที่จำกัดการมองเห็นภาพรวมของสภาพแวดล้อม”
- การรวมเครื่องมือ Observability มาอยู่กับผู้ให้บริการเพียงหนึ่งหรือสองราย ช่วยให้รวบรวมข้อมูลที่กระจัดกระจาย และทำให้วิธีเก็บและใช้ข้อมูลเป็นมาตรฐานได้ง่ายขึ้น
ยังไม่มีความคิดเห็น