随着软件系统变得越来越复杂，可观察性（根据系统外部输出了解系统内部状态的能力）已成为开发人员和运营团队的一项关键实践。

传统的可观测性方法难以跟上现代应用的规模和复杂性。随着遥测数据量的增加，导航变得成本高昂且复杂。进入人工智能及其彻底改变可观察性的承诺。

TestComplete 是一款自动化UI测试工具，这款工具目前在全球范围内被广泛应用于进行桌面、移动和Web应用的自动化测试。

TestComplete 集成了一种精心设计的自动化引擎，可以自动记录和回放用户的操作，方便用户进行UI（用户界面）测试，该工具提供了脚本和图形化界面操作支持。

TestComplete免费下载https://www.evget.com/product/3488

AI 可观测性是监控和了解 AI 基础设施本身的实践，例如大型语言模型 (LLM)、检索增强生成 (RAG) 系统和其他 AI 组件。随着 AI 系统在生产环境中越来越受欢迎，其性能和可信度至关重要。

例如，假设一家电子商务公司使用 LLM 生成个性化产品描述。监控 LLM 的表现、检测潜在偏见并确保其输出与公司的品牌和价值观相符，这些都属于 AI 可观察性的范畴。

另一方面，人工智能驱动的可观察性探索了人工智能功能如何增强和改变传统的软件可观察性工具和实践。这种方法利用人工智能技术来改善可观察性的各个方面，从数据收集和分析到可视化和洞察。

人工智能驱动的可观察性：重新构想监控和洞察

人工智能驱动的可观察性探索了人工智能如何彻底改变我们在传统软件系统中处理可观察性的方式。让我们来看看人工智能可以产生重大影响的一些领域。

数据收集和采样

可观测性的最大挑战之一是确定要收集哪些遥测数据以及要采样多少数据。异常检测和智能采样等人工智能技术可以通过识别相关模式并优先考虑最有价值的数据点来帮助优化数据收集。

例如，人工智能模型可以实时分析日志数据并检测异常模式或事件。然后，它可以相应地动态调整采样率或数据收集策略。

可观察性副驾驶：对话式故障排除

人工智能驱动的可观察性最令人兴奋的前景之一是可能开发出“可观察性副驾驶”。这将是一个人工智能助手，可以分析日志、指标和跟踪，识别根本原因等等。这个副驾驶的独特之处在于它能够进行自然对话。

开发人员无需编写复杂的查询并筛选来自多个系统的日志，而是可以用通俗易懂的语言提出开放式问题，就像他们正与知识渊博的同事一起尝试调试问题一样。由自然语言处理 (NLP) 和机器学习 (ML) 提供支持的可观察性副驾驶可以理解这些查询，分析相关的可观察性数据，并提供可行的见解和建议。

这种对话式 AI 故障排除方法可以显著减少开发人员解决问题所需的时间和精力，并降低那些不太熟悉可观察性工具和查询语言的开发人员的进入门槛。

数据存储和管理

传统的可观测性工具通常依赖时间序列数据库来存储和管理遥测数据。随着可观测性数据的数量和种类不断增长，这些数据库的管理成本和复杂性也会不断增加。

人工智能可能会改变我们存储和管理可观测数据的方式。人工智能模型可以学习模式并以更高效的方式汇总数据，而不是逐字存储原始数据，从而降低存储成本并提高查询性能。

例如，AI 模型可以分析日志数据并识别重复出现的模式或冗余信息。然后，它可以存储这些模式的压缩表示以及元数据和指向原始日志条目的指针，从而有效减少整体存储空间，同时保留在需要时重建和分析完整数据集的能力。

预测可观测性

虽然传统的可观测性工具擅长提供对当前和过去系统状态的可见性，但人工智能可以释放预测和主动解决未来问题的能力。通过分析历史可观测性数据并识别模式，人工智能模型可以对潜在问题做出预测。

例如，人工智能驱动的可观察性解决方案可以分析来自 Web 应用程序的日志、指标和跟踪，同时考虑流量模式、用户行为和基础设施扩展事件等因素。利用这些数据，人工智能模型可以预测即将到来的高负载或潜在瓶颈时期，并提前提醒开发人员或运营团队。

这些 AI 模型可能不仅限于简单的警报，还能提供切实可行的建议，以缓解或预防预测的问题。系统可能会根据预测的工作负载建议扩展特定的微服务、调整数据库配置或实施缓存策略。

挑战和注意事项

虽然人工智能驱动的可观察性的潜力令人兴奋，但也有几个挑战和注意事项需要牢记：

数据隐私和安全：可观测性数据通常包含敏感信息，例如用户数据、系统配置和应用程序日志。组织必须确保用于可观测性的任何 AI 系统都遵守严格的数据隐私和安全协议。在 AI 模型处理可观测性数据之前，应对其进行适当的匿名化或编辑。

数据所有权和共享：由于担心数据所有权和知识产权，一些组织可能不愿意与第三方 AI 提供商共享可观测性数据。这可能会限制采用 AI 驱动的可观测性解决方案，尤其是以基于云的服务提供的解决方案。

信任和可解释性：虽然 AI 模型可以提供有价值的见解和建议，但开发人员和运营团队可能会犹豫是否盲目信任这些建议，而不清楚背后的原因。AI 驱动的可观察性解决方案必须优先考虑可解释性和透明度，让用户了解 AI 决策和建议背后的理由。

技能和文化采用：采用人工智能驱动的可观察性可能需要提高开发和运营团队的技能，并实现组织内部的文化转变。团队必须愿意接受新技术和工作流程，领导者必须提供必要的培训和支持，以确保采用过程顺利进行。

尽管存在这些挑战，人工智能驱动的可观察性的潜在优势是巨大的，能够成功解决这些问题的组织可能会在卓越运营、弹性和创新方面获得竞争优势。