云原生架构带来了巨大的复杂性，同时也提高了业务敏捷性。但这种复杂性也带来了系统性能和可靠性的脆弱性和缺乏透明度。在 Perform 2024 上， Dynatrace 宣布了三项主要的平台增强功能，旨在缩小工程团队的可观察性差距。
根据 Dynatrace 产品管理高级副总裁 Steve Tack 的说法，关键目标是“帮助组织充满信心地采用新技术。”通过利用 Davis AI 和其他核心平台功能，Dynatrace 提供从代码到生产的智能可观察性和自动化，以帮助团队构建、运行和优化现代云原生应用程序。
所有公告的中心主题是使用人工智能提高开发人员的生产力和自主性。正如 Tack 指出的那样，“你不能指望开发人员担心 Kubernetes 配置。我想消除开发人员关心的事情，这样他们就可以专注于提高工作效率。”他以戴尔为例，Dynatrace 通过消除平凡的任务帮助显着提高了开发人员的工作效率。
弥合现代云架构的可观察性差距
在我们的采访中，Tack 强调了一项关于 代码质量来自人工智能模型与人类生成的代码。随着 copilot 等人工智能功能变得越来越普遍，软件团队需要确信任何自动生成的代码都符合必要的标准。
关于人工智能的主要发现-生成的代码质量：
- 与相同项目中人工编写的文件相比，人工智能生成的文件的代码复杂性较低
- 人工智能生成的代码总体上更符合风格指南
- AI 生成的代码的测试覆盖率较低
- 未发现安全漏洞存在显着差异
正如 Tack 所指出的，这证明了人工智能代码生成的前景和当前的局限性。虽然人工智能有望提高生产力，但团队需要强大的可观察性来验证最终应用程序的质量、安全性和效率。
驯服生成人工智能的复杂性
最具前瞻性的公告之一是 Dynatrace AI Observability，它为整个堆栈（从基础设施到模型再到编排）的生成式 AI 工作负载提供端到端监控。塔克警告说，尽管生成式人工智能很前沿，但它也会增加脆弱性。 “组织需要涵盖其生成式 AI 解决方案各个方面的 AI 可观察性来克服这些挑战。Dynatrace 正在扩展其可观察性和 AI 领导力来满足这一需求。”
对于开始利用 GPT-3 等生成式 AI 模型的开发团队来说，这种可观察性将通过监控模型性能、成本效率和合规性来提供防护。 OneStream 的 Ryan Berry 解释了 Dynatrace AI Observability 如何帮助他们自信地构建ML 应用程序 —“确保我们支持这些关键工作负载的服务可靠且性能良好。”
信任数据进行分析
第二项重大公告旨在通过提供 Dynatrace 原生数据和外部源的数据可观测性，帮助数据团队和开发人员信任分析的准确性。正如 TELUS 的 Kulvir Gahunia 所说，“新的 Dynatrace 数据可观测性功能将有助于确保来自这些自定义来源的数据也为我们的分析和自动化提供高质量的燃料。”
通过监控数据新鲜度、数量和沿袭等关键方面，可以在问题影响下游分析和决策之前主动检测到问题。正如 Dynatrace 创始人兼首席技术官 Bernd Greifeneder 所解释的那样，“一个有价值的分析解决方案必须尽早检测数据中的问题，从而推动分析和自动化。”
控制数据复杂性
另一项公告针对混合云环境中不断增长的数量和种类的监控和业务数据。新的 OpenPipeline 技术提供了具有更高吞吐量的单一数据摄取管道，以允许管理 PB 级卷。
至关重要的是，OpenPipeline 保留了来自日志、指标和跟踪等来源的数据流的完整上下文。通过了解事件之间的依赖关系，可以实现更丰富的分析。 PhotoBox Group 的 Alex Hibbitt 解释了这将如何扩展他们对 Dynatrace 的使用：“它使我们能够管理来自广泛来源的数据以及 Dynatrace 本地收集的实时数据，所有这些都在一个平台上进行，使我们能够更好地-明智的决定。”
通过降低混合云数据的复杂性，Dynatrace OpenPipeline 还旨在减轻受监管行业的安全性和合规性负担，并通过避免数据重复副本来降低成本。正如 Tack 总结的那样，“我们使客户评估数据流的速度比传统技术快五到十倍。”
底线
总而言之，这些 Observability 2.0 增强功能旨在消除复杂性、提高开发人员的工作效率并提供可信的分析 — 最终帮助 Dynatrace 客户更快地创新。塔克指出，“生成式人工智能确实提高了开发人员的可访问性、使用率、生产力和效率”。通过在快速变化的混合云环境中提供对生成式 AI 和分析等新技术的强大可观测性，Dynatrace 希望加速企业中的云原生应用程序开发。