- Observability: यह एक मापदंड है जो बताता है कि सिस्टम के बाहरी outputs के परिणामों से सिस्टम की आंतरिक स्थिति का कितना अच्छी तरह अनुमान लगाया जा सकता है
- metrics, events, logs, traces को एकत्र करके visualize और analyze किया जाता है
- आंतरिक संचालन की पृष्ठभूमि की समृद्ध जानकारी देकर सिस्टम की जटिल समस्याओं के गहराई से समाधान में मदद
- Grafana Labs, Splunk, Dynatrace, Chronosphere जैसी observability कंपनियों और Dimensional Research जैसी market research संस्थाओं द्वारा सुझाए गए 2024 के observability ट्रेंड्स में से 3 बार या उससे अधिक उल्लेखित 5 ट्रेंड्स का सार
- Observability के ‘tool’ के रूप में AI का बढ़ता प्रभाव
- AI signal correlation, anomaly detection, root cause analysis, performance optimization जैसे कार्यों में इस्तेमाल होकर ‘सिस्टम में क्या हो रहा है’ इसे जल्दी समझने में मदद करता है
- AI anomaly detect करे तो जांच और automated response के जरिए समस्या का स्वतः समाधान किया जा सकता है
- रोजमर्रा की processes को automate करके लंबे समय लेने वाले काम घटाने वाले tools की मांग observability में AI के उपयोग को बढ़ाती है
- cloud-native delivery की गति के साथ चलने के लिए संगठनों को ऐसे सटीक और predictible AI-based analytics की जरूरत है, जो बड़े पैमाने पर automated multi-cloud infrastructure और agile development practices को संभाल सकें
- causal, predictive, generative AI को मिलाने वाले observability tools का उपयोग करने पर observability, security, और business data से समृद्ध insights लेकर सिस्टम का गहन विश्लेषण संभव है
- बेशक, ‘AI ने ग्राहक की अपेक्षित विश्वसनीयता का स्तर हासिल कर लिया है’ ऐसा मानने में अभी समय लगेगा
- Observability के ‘target’ के रूप में AI की निगरानी का बढ़ता महत्व
- generative AI automation और productivity के साधन के रूप में विशाल और जटिल data को विस्फोटक गति से उत्पन्न कर रहा है
- उपयोगकर्ता AI से content बना रहे हैं और ‘अपना खुद का AI’ भी सीधे विकसित कर रहे हैं, जिससे उत्पन्न और process होने वाला data बहुत बढ़ रहा है
- AI स्वास्थ्य सेवा, कानूनी, वित्त, यात्रा आदि समाज के अनेक क्षेत्रों पर व्यापक प्रभाव डाल रहा है, इसलिए इसे अच्छी तरह समझना जरूरी है
- AI सामान्य रूप से काम कर रहा है या नहीं, तथा उसमें bias है या नहीं, ये महत्वपूर्ण निगरानी के विषय हैं
- संगठनों को AI को सटीक और विशिष्ट रूप से observe करने के लिए तैयार रहना चाहिए
- AI से metrics, logs, traces कैसे लाने हैं, यह जानना जरूरी है
- Observability लागत घटाने के प्रयास
- कई कंपनियां बजट की समस्या से जूझ रही हैं और तकनीकी व व्यावसायिक दोनों पक्षों से लागत प्रबंधन के तरीके खोज रही हैं, साथ ही समग्र IT खर्च को नियंत्रित करना चाहती हैं
- कंपनियां multi-cloud या cloud-native environments में जाते हुए अधिक data उत्पन्न कर रही हैं, जिससे संबंधित लागत भी बढ़ रही है
- ESG Research: “69% संगठन observability data में वृद्धि के कारण समय के साथ data collection और storage लागत बहुत बढ़ने को लेकर चिंतित हैं”
- Dynatrace: “टीमें अक्सर यह तय करने को मजबूर होती हैं कि real-time analysis के लिए कौन से logs रखें, कौन से हटाएं, और किन्हें कम-सुलभ low-cost storage में रखें”
- observability लागत कम करने के उपाय:
- data growth को नियंत्रित करना और ऐसे tools का उपयोग करना जो संगठन द्वारा एकत्र data से बेहतर value निकालने में मदद करें
- ऐसे duplicate और irrelevant events को filter करना जो observability परिणामों में कोई value नहीं जोड़ते
- empty values हटाना, अनावश्यक labels मिटाना, inefficient data formats को ‘observability target के अनुरूप format’ में बदलना, event trimming और transformation
- open source और OpenTelemetry की मांग में वृद्धि
- कई कंपनियां vendor lock-in की चिंता दूर करने के लिए open source technologies में निवेश कर रही हैं और उन्हें अपनी observability tech stack के हिस्से के रूप में integrate कर रही हैं
- Dimensional Research survey के अनुसार, observability जिम्मेदारी संभालने वाले 87% उत्तरदाताओं ने कहा, “OpenTelemetry अगले 5 वर्षों में observability data का standard बन जाएगा”
- OpenTelemetry traces, metrics, logs जैसे data को generate और manage करने के लिए design किया गया है, और यह किसी एक vendor पर निर्भर नहीं है
- इसलिए इसे OpenTelemetry को support करने वाले सभी observability tools के साथ उपयोग किया जा सकता है
- लेकिन OpenTelemetry को अपनाना अभी शुरुआती चरण में है
- OpenTelemetry adoption के समय technical support को लेकर चिंता, market adoption बढ़ने तक इंतजार करने की जरूरत, और management द्वारा उसके value को पर्याप्त न समझना जैसी समस्याएं हैं
- Observability tools के consolidation की दिशा में तेज़ी
- कई observability tools इस्तेमाल करने के बजाय एक या दो vendors के tools में समेकित करने की प्रवृत्ति मजबूत हो रही है
- Dimensional Research survey के अनुसार, कंपनियां औसतन 7 से अधिक observability और monitoring tools का उपयोग करती हैं
- observability tools को consolidate करने के कारण: समस्याओं की तेज पहचान, लागत में कमी, टीम collaboration में सुधार, downtime को न्यूनतम करना, security मजबूत करना, operational complexity को सरल बनाना, training की जरूरत घटाना, और data silos से बचना
- Chronosphere: “डेवलपर्स और तकनीकी टीमें जवाब खोजने के लिए अलग-अलग user interfaces या software के बीच समय बर्बाद नहीं करना चाहतीं, और न ही कई software पर खर्च करना चाहती हैं”
- Dimensional Research: “बहुत अधिक tools होने पर data correlation दिखाना मुश्किल हो जाता है, जिससे ‘tool silo’ की स्थिति बनती है और पूरे environment में visibility सीमित हो जाती है”
- observability tools को एक या दो vendors के tools में consolidate करने से fragmented data को इकट्ठा करना और data collection व consumption के तरीकों को standardize करना आसान होता है
अभी कोई टिप्पणी नहीं है.