大規模なオブザーバビリティデータセットを一括処理して、ビジネスに最も関連性の高い情報を速やかに特定できます。Elasticオブザーバビリティでは、ドメイン固有の機械学習と異常検知を利用して、手間のかかるトラブルシューティングを減らし、トリアージ作業を効率化できるため、チームスタッフはイノベーションや将来への改革に集中して取り組むことができます。
オブザーバビリティ実施に際してAIOpsが必要となる理由
視聴するElastic、「The Forrester Wave™:AIOps, Q4 2022」でStrong Performerに選出
レポートを読むDISH MediaはElasticオブザーバビリティと機械学習を利用して原因分析を効率化
ケーススタディを読むビジネスでも運用でも、教師ありと教師なしの機械学習を任意のタイプのログ、トレース、イベント、メトリックデータに適用できます。外れ値と異常の検知、傾向の予測、パターンの発見、ログの分類などに加え、ドメイン固有の機能を利用できます。充実したオープンライブラリから、そのまま使用できカスタマイズにも対応する機械学習モデルを選択することも、独自のモデルを構築してテストし、デプロイすることもできます。リリース間の回帰を自動的に検出して、変化の激しいマイクロサービスベースのクラウドネイティブ環境でアプリやインフラに加えられた変更が下流にもたらす影響を特定できます。
パフォーマンスと拡張性に優れた機械学習エンジンを使用して、数ペタバイトものオブザーバビリティデータを数分以内に処理し、答えを導き出します。一般的なユースケースに合わせて構成済みのモデルや、使いやすいウィザードベースのワークフローによるカスタマイズ機能、統合されたデータ探索ツールによって、データサイエンティスト以外の職員、たとえばSREチームやビジネスユーザーも、機械学習と分析を活用することができます。スキルのあるユーザーは、オープン機械学習モデルを使用して「機械学習の仕組み」を学び、必要に応じてカスタマイズすることができます。
アプリケーションとインフラのデータセットの属性のうち、高遅延やエラーを起こしたトランザクションと相関性があるものと、サービスパフォーマンス全体に最も顕著な影響を与えているものを自動的に明らかにします。機械学習ベースの関連付けによってオブザーバビリティデータ内の未知の不明要素を特定し、原因の早期発見に役立てることができます。構造化されていない数百万行ものログデータを、自動ログ分類によってわずか数個のカテゴリーに減らすことで、イベントを短時間で分析して措置を講じることができます。自動異常検知によって、ログ、サービスのパフォーマンス低下、ログレートの低下、異常なトランザクションアクティビティ、リソース利用率の急増などの問題を検知できます。
特定の条件を満たす異常が検知されたときに、状況に応じたアラート通知が行われます。Elasticオブザーバビリティで直接サービスの問題を作成し、トラッキングすることで、インシデント管理プロセスを開始するケースを作成できます。PagerDutyやServiceNow、Jira、Microsoft Teams、Slack、メールに対応する内蔵の統合機能群を使用して、アラートをアクションに結び付けましょう。Elastic StackのパワフルなWebフックアウトプットを活用して、組織内で重要度が高いサードパーティのシステムと接続し、チームのワークフローに統合することも可能です。
