Thomas LaRock,SolarWinds 首席极客
近年来,我国不断完善信息网络基础设施建设,致力于为国内数字经济提供良好的发展环境。艾媒咨询数据显示,2020年中国数字经济总体规模达41.4万亿元,占GDP 38.6%。由于占全国GDP的比例逐年上涨,数字经济已经成为驱动国内经济增长的重要力量。在此背景下,企业需要加快数字化转型的步伐,在未来数字化、网络化及智能化的浪潮中不断增强自身的发展竞争力。
踏上数字化转型之旅的组织机构往往会开发复杂的基础架构。他们在更新传统应用程序的同时,添加了多云端、虚拟和云原生功能。IT 人员最终会发现他们要管理各种复杂的分散网络,包括云端、系统、应用程序和数据库基础架构。
为了控制由此产生的复杂性,组织机构倾向于使用大量的监控和管理工具。其目标是简化系统监督,但事实上恰恰相反,由于团队使用各种各样的工具来管理网络或基础架构,孤岛现象往往会蔓延开来。
这种零散的处理方法增加了许多操作的盲点,让问题得不到及时解决,而且也增加了安全风险。如此一来,IT 人员不堪重负,很快就会因为忙于处理管理的复杂性,而无法跟上应用程序更新或基础架构动态调整的步伐。
尽管这种情况很常见,但并非不可避免。通过使用能够克服复杂性和孤岛现象的集成式、经济高效的全栈式、端到端监控服务,IT 团队可以让数字化转型之旅变得更加轻松。
组织机构需要全栈式 Observability。
Observability 与传统监控有何区别
Observability 比传统监控更加先进。传统的监控帮助IT 了解其基础架构和应用程序的实际状态,能捕获和处理大量的基础架构和应用程序遥测数据和通知,并显示哪些已启动、哪些已关闭以及哪些已更改。
通常,传统的监控侧重于特定的网络、云端或基础架构。它会跟踪应用程序和基础架构,以便 IT专业人员识别异常情况并找出问题所在。
传统监控依赖于以指标为导向的内置仪表板,对照手动的或基本的统计相关阈值来评估遥测数据。虽然监控工具是极为重要的,但它们不能提供跨域关联、服务交付洞察、操作依赖性或预测性。现代系统有复杂的多云端环境和大量的遥测数据,这时候传统监控的这种局限性就是一大不足。
然而,Observability 能弥补这些不足,通过检查输出来评估系统的内部状态,并将终端用户体验到服务器端指标和日志都看做一个整体,全面审视应用程序和系统。
Observability 仍然包含监控,并将它作为自己的关键部分。要获得可观察性,就必须首先通过监控来收集信息。Observability 使用基于监控生成的洞察和指标,进而理解导致当前问题的原因。
监控汇总并显示数据,以确保系统按预期运行,并且将对数据的分析与预期的结果和目标进行比较,这样就能让 IT人员了解基础架构和应用程序的状态。
如此一来,复杂的网络环境被看做一个整体,也就避免了孤岛现象。
Observability 如何运行
一旦投入使用,Observability 可以让 IT 组织机构在复杂、多样和分散的混合和云环境中,持续改进性能、提高可用性和数字体验。
借助于 Observability,组织机构能够快速发现和解决异常状况,而全栈式 Observability 不仅意味着监控和加速问题解决:它可以通过跨域数据关联、机器学习 (ML) 和 IT 运营人工智能 (AIOps), 提供洞察、自动分析和可操作的智能,处理大量的实时和历史指标、日志和跟踪数据。
Observability避免了传统监控带来的孤岛现象和零散的处理方式。不仅如此,当 Observability 不受限制时,即包含机器学习 (ML) 和 IT 运营人工智能 (AIOps) ,它能够利用收集到的大量数据提供洞察、自动分析和可操作的智能,来帮助 IT人员加快问题的解决。此外,它还使 ITOps、DevOps 和安全组织能够实现统一、最佳和可预测的业务服务交付,并不断改进数字体验和提升IT 生产力。
客户和员工因此能够从运行更好的系统中受益。该技术通过云连接的本地部署或软件即服务 (SaaS) 部署灵活性,为各种规模和行业的组织机构提供全面、集成和经济的功能。
踏上数字化转型之旅不意味着组织机构需要变得更复杂,在更新传统的应用程序,并向堆栈中添加许多现代服务和功能时尤其如此。减少复杂性的秘诀就是 Observability。
Observability 可以简化数字化转型的过程。它不仅减少了操作干扰,使 ITOps、DevOps 和安全团队受益;他们还可以更加主动地检测异常,来实现最佳的 IT 性能、合规性和弹性。通过全栈式 Observability,任何组织机构(无论其规模或行业)都可以降低 IT 复杂性,同时为数字化转型做好准备。
好文章,需要你的鼓励
谷歌深度思维团队开发出名为MolGen的AI系统,能够像经验丰富的化学家一样自主设计全新药物分子。该系统通过学习1000万种化合物数据,在阿尔茨海默病等疾病的药物设计中表现出色,实际合成测试成功率达90%,远超传统方法。这项技术有望将药物研发周期从10-15年缩短至5-8年,成本降低一半,为患者更快获得新药治疗带来希望。
继苹果和其他厂商之后,Google正在加大力度推广其在智能手机上的人工智能功能。该公司试图通过展示AI在移动设备上的实用性和创新性来吸引消费者关注,希望说服用户相信手机AI功能的价值。Google面临的挑战是如何让消费者真正体验到AI带来的便利,并将这些技术优势转化为市场竞争力。
哈佛医学院和微软公司合作开发了一个能够"听声识病"的AI系统,仅通过分析语音就能预测健康状况,准确率高达92%。该系统基于深度学习技术,能够捕捉声音中与疾病相关的微妙变化,并具备跨语言诊断能力。研究团队已开发出智能手机应用原型,用户只需完成简单语音任务即可获得健康评估,为个性化健康管理开辟了新途径。