La Opazljivost je iz nišne tehnične teme postala strateški steber Za vsako organizacijo, ki se zanaša na programsko opremo – kar so praktično vse – zgolj »spremljanje strežnikov« ali ogledovanje izoliranih nadzornih plošč ni več dovolj. Podjetja morajo v realnem času razumeti, kaj se dogaja v njihovih sistemih, te podatke povezati s poslovanjem in se hitro odzvati, ko gre kaj narobe. In kot vrhunec vsega, to morajo storiti v okolju, ki ga vse bolj poganja programska oprema. Agentna umetna inteligenca, odprti standardi in porazdeljene arhitekture.
V tem scenariju je trend očitno usmerjen k bolj odprta opazovalnost, tesneje povezana s poslovnimi rezultati in veliko bolj avtonomnaOpenTelemetry se uveljavlja kot skupni jezik za telemetrijo, umetna inteligenca presega eksperimentiranje in se integrira v jedro platform za opazovanje, ekipe ITops pa se preoblikujejo v orkestratorje inteligentnih sistemov, ki sami zaznavajo, analizirajo in celo odpravljajo težave. Oglejmo si, kako se ta sprememba dogaja in kakšne posledice ima za tehnologijo, poslovanje, varnost in upravljanje podatkov.
Od klasičnega spremljanja do dobe opazovalnosti
Razvoj od tradicionalno spremljanje proti sodobni opazovalnosti To sega daleč nazaj. Ko so se pojavila pionirska orodja za upravljanje procesov (APM), kot so tista, ki jih je populariziral Lew Cirne z New Relic, je bila velika novica možnost podrobnega vpogleda v to, kaj koda monolitne aplikacije počne v podatkovnem centru v lasti podjetja. To je bila revolucija: ekipe so lahko prvič opazovale delovanje svojih produkcijskih aplikacij z zelo natančnostjo.
S prihodom računalništvo v oblaku, mikrostoritve, vsebniki, računalništvo brez strežnikov ter prakse DevOps in SREPokrajina se je popolnoma spremenila. Prehod iz monolitnih v porazdeljene sisteme je pomenil, da vidnost v trenutku ni bila več zadostna. Storitev ni več ena sama aplikacija, temveč roj kratkotrajnih mikroservisov, orkestriranih na platformah, kot je Kubernetes, nameščenih več desetkrat na dan in delujočih na hibridnih infrastrukturah z več ponudniki storitev v oblaku.
V takšnem okolju tradicionalno spremljanje, osredotočeno na vnaprej določene metrike in statična opozorila, ne zadostuje. Opazovalnost uvaja drugačen pristop: zbiranje in korelacijo metrik, dnevnikov, sledi in dogodkov. sklepati o notranjem stanju sistema iz njegovih zunanjih izhodov. Ne gre le za to, da vemo, da je nekaj odpovedalo, temveč za to, da razumemo, zakaj se je to zgodilo in kakšen vpliv ima na uporabnika in podjetje.
Avtorjem všeč Jurij Škuro Ta razlika je dobro povzeta: spremljanje meri tisto, kar je bilo vnaprej določeno kot pomembno, medtem ko opazovalnost omogoča oblikovanje novih vprašanj o sistemu, ne da bi bili vsi kazalniki vnaprej pripravljeni. Z drugimi besedami, Opazljivost spremeni telemetrične podatke v kontekst, v katerem je mogoče ukrepati za razvoj, poslovanje in poslovanje.
Ta prehod je posledica tudi zelo specifičnih dejavnikov: a brutalen pritisk na hitre inovacijeVedno bolj zahtevne stranke, ki opustijo aplikacijo že ob najmanjši napaki, skoraj neskončna paleta tehnologij in upravljanih storitev ter vse večje avtomatizacija celotnega življenjskega cikla programske opremeVsa ta avtomatizacija je tudi programska oprema, ki lahko odpove in potrebuje svojo lastno opazovalnost.
Kompleksnost, tveganje in preveč orodij: zakaj je opazovalnost ključnega pomena
Sodobna arhitektura povzroča štiri glavne težave, zaradi katerih opazovalnost je praktično obvezna Če želite ohraniti nadzor:
Najprej kompleksnost je poskočilaVsebnik lahko obstaja le nekaj minut ali sekund, mikrostoritev lahko spremeni različice večkrat na dan, komponente pa se množijo. Kar je bilo nekoč monolitna aplikacija, postane konstelacija medsebojno povezanih storitev. Operativne ekipe se znajdejo v situaciji, ko se soočajo s stotinami ali tisoči nenehno spreminjajočih se entitet, od katerih jih mnogih niso razvile same.
Poleg tega jasno povečanje tveganjaVečkratno uvajanje na dan pomeni nenehno uvajanje sprememb – in morebitnih povrnitev prejšnjih nastavitev. Agilne prakse in neprekinjena dobava dodajajo več orodij, cevovodov in avtomatizacij, ki jih je prav tako treba upoštevati. Sposobnost hitrega odkrivanja težave, ugotavljanja vzroka in njenega razveljavljanja ali odpravljanja v nekaj minutah ni več zaželena, temveč zahteva.
Vzporedno, a vrzel v spretnostihTehnološki sklad je tako obsežen, da je nemogoče, da bi ena sama oseba obvladala baze podatkov, omrežja, API-je, varnost, vsebnike, platforme za orkestracijo in orodja CI/CD. Potrebni so mehanizmi, ki pomagajo razumeti, kako se vse skupaj ujema, kaj je od česa odvisno in kam iskati, ko gre kaj narobe. Brez tega povezanega pogleda je lahko čas, ki ga porabimo za preklapljanje med orodji, ogromen.
In kot pika na i, se pojavijo težave z »razpršenost orodij« ali presežek orodijVsaka plast sklada ima običajno svojo rešitev za spremljanje: eno za bazo podatkov, drugo za infrastrukturo, tretjo za vmesnik, tretjo za dnevnike, tretjo za sledi ... Povezovanje podatkov med njimi vključuje nenehno preklapljanje kontekstov, ročno iskanje in daljše čase reševanja incidentov. To je ravno nasprotno od tistega, kar je potrebno, ko aplikacija ne deluje in se uporabniki pritožujejo.
Odgovor na vse to se skriva v enotna platforma za opazovanje ki zbira vso ustrezno telemetrijo, jo povezuje z entitetami, ki jo ustvarjajo, in omogoča kateri koli ekipi – razvojni, operativni, varnostni, poslovni –, da razišče in izkoristi te podatke z ene same lokacije. To vključuje ne le meritve uspešnosti, temveč tudi poslovne dogodke in signale, ki razkrivajo ekonomski vpliv vsakega incidenta.
OpenTelemetry kot skupni jezik opazovalnosti
Eden najbolj očitnih trendov je konsolidacija OpenTelemetry (OTel) kot odprti telemetrični standardGre za odprtokodni okvir, ki definira API-je, SDK-je in komponente za zbiranje metrik, dnevnikov in sledi na homogen način, ne da bi bil vezan na določenega proizvajalca orodij za opazovanje.
V prihodnjih letih se pričakuje, da Podjetja zahtevajo združljivost z OpenTelemetry svojim prodajalcem. Razlog je preprost: z uporabo »univerzalnega jezika« za opis telemetrije lahko organizacija zamenja platformo za opazovanje, ne da bi morala prepisati ali preoblikovati vso svojo kodo. To zmanjša tveganje vezave na prodajalca in zagotavlja prilagodljivost za razvoj sklada po potrebi.
V nasprotju s popolnoma lastniškimi rešitvami, kjer je vsaka nova integracija odvisna od proizvajalčevega načrta, OTel Omogoča integracijam, da preživijo tehnološke spremembe.Ko se pojavijo nove storitve v oblaku, ogrodja ali izvajalna okolja, morajo le oddajati telemetrijo v standardni obliki, da jo lahko pošljejo v kateri koli združljiv zaledni sistem.
Poleg tega je uporaba OpenTelemetry ključnega pomena za pravilno nahraniti umetno inteligencoModeli umetne inteligence, pa naj gre za tradicionalno strojno učenje, odkrivanje anomalij ali generativno umetno inteligenco, delujejo najbolje, ko so podatki čisti, strukturirani in dosledni. OTel zagotavlja ravno ta enoten okvir za generiranje in označevanje telemetrije, ki jo bodo algoritmi nato obdelali.
Nedavne študije kažejo, da organizacije, ki že uporabljajo OpenTelemetryTudi če je uveden le delno, opažajo pozitiven vpliv na kazalnike, kot so rast prihodkov, izboljšane operativne marže in ugled blagovne znamke. To ni čarovnija: dosledna in prenosljiva baza opazovanja olajša odkrivanje težav, preden vplivajo na stranko, in optimizacijo delovanja ključnih storitev.
Trije stebri sodobne prakse opazovanja
Poleg sprejetja standarda, kot je OTel, se dobra praksa opazovanja opira na tri osnovne komponente, ki se medsebojno krepijoodprta instrumentacija, povezane entitete (ali podatki) in programirljivost.
La odprta instrumentacija To vključuje zbiranje telemetrije tako iz lastniških kot odprtokodnih agentov. Aplikacije, storitve, gostitelji, vsebniki, funkcije brez strežnika, mobilne aplikacije, upravljane storitve v oblaku – vse mora biti sposobno oddajati metrike, dogodke, dnevnike in sledi v formatih, ki jih je mogoče standardizirati. Tukaj pridejo v poštev agenti tradicionalnih prodajalcev, pa tudi izvozniki in knjižnice iz OpenTelemetry in drugih odprtokodnih projektov.
Drugi blok je blok povezane entitete in metapodatkiSamo zbiranje metrik in dnevnikov ni dovolj; razumeti morate, kdo jih ustvarja in kako so med seboj povezani. To zahteva identifikacijo storitev, baz podatkov, čakalnih vrst, funkcij, podov, gruč, računov v oblaku ter povezovanje njihove telemetrije in odvisnosti. V tem kontekstu lahko platforma samodejno upodobi arhitekturne zemljevide, tokove klicev in časovnice incidentov, ne da bi morala ekipa vse konfigurirati ročno.
Na podlagi tega se lahko prijavi inteligenca in napredna analitikaZ identifikacijo vzorcev, anomalij in korelacij znotraj nabora podatkov lahko platforme za opazovanje pomagajo pri določanju prioritet opozoril, zmanjševanju šuma, odkrivanju kompleksnih incidentov in pospeševanju analize temeljnih vzrokov. To je naravna pot do vse bolj proaktivne opazovanja in, kot bomo videli kasneje, do agentske avtonomije.
Končno je tu programabilnostVsako podjetje ima specifične potrebe: svoje ključne kazalnike uspešnosti (KPI), različne kritične procese in edinstvene modele stroškov. Sodobna platforma za opazovanje mora omogočati gradnjo prilagojenih aplikacij in pogledov poleg vse telemetrije: nadzorne plošče, ki združujejo tehnične podatke s poslovnimi metrikami, analizo ekonomskega vpliva izpadov ali degradacij ali interne aplikacije za preiskovanje kompleksnih incidentov v skladu z delovnim potekom podjetja.
Ta sposobnost "programiranja" na podlagi podatkov o opazovalnosti odpira vrata primerom uporabe, kot so količinsko opredeliti dejanske stroške napake V plačilnem procesu ga povežite s tehničnim vzrokom (na primer regresija v mikrostoritvi blagajne) in tako določite prednost pri prizadevanjih za odpravljanje napak s povsem ekonomskimi merili vpliva.
Poslovno usmerjena opazovalnost: od konzole do rezultata
Ena od pričakovanih večjih sprememb je prehod z enega opazovalnost, osredotočena na tehnično delovanje na drugo, ki je očitno poslovno usmerjena. Isti podatki – dnevniki, sledi, metrike, dogodki – se začnejo uporabljati ne le za vzdrževanje infrastrukture, temveč tudi za odgovorite na ključna vprašanja o prihodkih, stroških in uporabniški izkušnji.
V industrijskih sektorjih na primer omogoča opazovanje senzorjev interneta stvari predvideti okvare strojev in optimizirati načrte vzdrževanja. Če se zaznajo nenormalni vzorci vibracij ali temperature izven dovoljenega območja, je mogoče načrtovati intervencijo, preden se proizvodna linija ustavi, s čimer se preprečijo nenačrtovani izpadi in njihove ekonomske posledice.
V finančnem sektorju, analiza v realnem času dnevniki transakcij Pomaga prepoznati sumljive transakcije, ki bi lahko bile povezane z goljufijo. Ko sistem zazna netipična zaporedja dogodkov, nenavadne geolokacije ali zneske, ki kršijo običajne vzorce, lahko sproži mehanizme samodejnega blokiranja ali ročni pregled, preden je napad uspešen.
V trženju in prodaji je povezovanje sledi aplikacij z metrikami kampanje Omogoča vam, da odgovorite na zelo neposredna vprašanja: Ali zakasnitev spletnega mesta vpliva na stopnjo klikov ali konverzijo? Katera različica funkcije najbolje izboljša navigacijo in čas zadrževanja? Če se učinkovitost med kampanjo zmanjša, opazovalnost pomaga ugotoviti, koliko potencialnih prodaj je bilo izgubljenih in na kateri točki prodajnega lijaka se je težava pojavila.
Vse to vključuje prevajanje tehnične telemetrije v uporabno znanje za poslovne vodjeNe gre za to, da bi direktorju prodaje pokazali graf procesorja, temveč za to, da bi mu pokazali, koliko transakcij ni bilo dokončanih zaradi poslabšanja storitve in kakšni so bili ocenjeni stroški. Da bi to dosegli, mora opazovalnost povezati tehnične podatke, uporabniške dogodke in poslovne metrike znotraj istega modela.
Svetovalna podjetja, specializirana za opazovalnost, kot je Nettaro, že pomagajo podjetjem in institucijam pri narediti ta preskok od zgolj operativne vizije do strateške vizijeoblikovanje modelov, ki povezujejo poslovne ključne kazalnike uspešnosti s telemetričnimi signali v realnem času.
Od AIOps do opazovanja agentov
Sprejetje Umetna inteligenca v platformah za opazovanje To je že realnost. Večina ekip ITOps je v svoje delovne procese vključila komponente AIOps – algoritme, ki analizirajo velike količine operativnih podatkov za odkrivanje anomalij, združevanje dogodkov ali napovedovanje težav.
V mnogih primerih se integrira tudi generativni AI za interakcijo s telemetrijo z uporabo naravnega jezika: postavite pogovorna vprašanja, kot je »zakaj se je pred 20 minutami v Evropi povečalo za 500 napak?«, in dobite razlago na podlagi dnevnikov, meritev in sledi, ne da bi morali graditi zapletene poizvedbe.
Vendar pa danes večina odločitev temelji na umetni inteligenci Ljudje jih še naprej pregledujejoAlgoritmi pomagajo filtrirati šum in prepoznati morebitne vzroke, vendar operativne ekipe ohranjajo nadzor, potrjujejo priporočila in ročno izvajajo številne sanacijske ukrepe. Popolno zaupanje v avtomatizirane odločitve je še vedno omejeno.
Tukaj je Opazljivost agentaTo je pristop, pri katerem agenti umetne inteligence prevzamejo veliko bolj avtonomno vlogo: ne le zaznavajo vzorce in pojasnjujejo, kaj se dogaja, ampak tudi Upravljajo celotne delovne procese, od prepoznavanja napake do izvedbe ustrezne rešitve.
V tem modelu lahko agent na primer zazna nenavadno povečanje zakasnitve kritične storitve, ga poveže z določeno uvedbo, preveri zgodovino podobnih incidentov in se sam odloči, ali zaženite razveljavitev, prilagodite zmogljivost ali uporabite alternativno konfiguracijoVse to je podrobno zabeleženo za revizijo in morebitni kasnejši človeški pregled.
Trenutno to uporablja le manjšina podjetij Opazovanje aktivnega agentaz avtomatiziranim odpravljanjem težav in naprednim napovedovanjem težav. Vendar napovedi kažejo, da se bo njegova uporaba znatno povečala, kar bo posledica iskanja večje produktivnosti v IT-ekipah in potrebe po zmanjšanju časa, ki ga porabijo za ponavljajoča se vzdrževalna opravila.
Omejitve ročnega nadzora in potreba po avtonomiji
Povpraševanje po samozaposlenih zastopnikih bolje razumemo, če pogledamo skrajne primere, kot je opazovalnost modela velikega jezika (LLM)Ročno spremljanje tovrstnih sistemov je skoraj nemogoča naloga: količine podatkov so ogromne, arhitekture združujejo več porazdeljenih komponent, potreba po spremljanju v realnem času pa je stalna.
Obilje zapisov in meritev omogoča Ročno prepoznavanje težav je zelo počasnoVsaka zamuda pri zaznavanju spremembe vedenja, povečanja napak ali poslabšanja kakovosti odzivov ima lahko resne posledice v produkcijskih okoljih, tako glede uporabniške izkušnje kot ugleda in skladnosti s predpisi.
Poleg tega ročno opazovanje porabi veliko človeških virov; nagnjena k napakam in se ne skalira dobro Ko število modelov, primerkov ali integracij s poslovnimi aplikacijami narašča, tisto, kar bi lahko delovalo v pilotnem projektu z nekaj uporabniki, postane ozko grlo, ko se sistem uvede v celotno organizacijo.
Zato je v kompleksnih okoljih, kot so tista, ki vključujejo LLM ali visoko porazdeljene arhitekture, potreba po rešitve za avtonomno opazovanjeGovorimo o sistemih, ki so sposobni neprekinjeno analizirati telemetrijo, zaznavati odstopanja, predlagati ali izvajati korektivne ukrepe in se učiti iz vsakega posega, da bi sčasoma izboljšali svojo učinkovitost.
Agenti za vizualno delovanje in avtomatizacija na vmesnikih
Napredek umetne inteligence ni omejen na področje "klasične" opazovalnosti. Raziskave podjetij, kot je NVIDIA, s projekti, kot so Dušik Gre za modele, ki združujejo vidne in akcijske zmogljivosti: agenti, ki opazujejo zaslon, sklepajo o stanju okolja in se odločajo, kaj storiti naprej, brez posebnih integracij s sistemom, ki ga nadzorujejo.
Tehnično gledano to vključuje učenje modela z veliki korpusi videoposnetkov iger ali interakcij da se naučijo povezovati to, kar vidijo, z dejanji, ki bi jih izvedel strokovnjak. Ukvarjajo se s časovnimi zaporedji, diskretizacijo gibanja, dolgoročnimi cilji in optimizacijo pod več omejitvami, kot sta latenca ali stabilnost.
Čeprav je najbolj viden primer igranje iger, ima ta vizijsko-akcijski pristop ogromen potencial v poslovanju: omogoča ustvarjanje agenti, ki delujejo na grafičnih vmesnikih konvencionalno, navigacijo po kompleksnih aplikacijah, izvajanje ponavljajočih se tokov, potrjevanje procesov ali izvajanje celovitih testov brez potrebe po specifičnih API-jih.
To predstavlja nekakšen naravni razvoj tradicionalne RPA proti Pametnejša, bolj kontekstualna avtomatizacijaTipični primeri uporabe vključujejo avtomatizirano testiranje programske opreme, ki simulira vedenje resničnih uporabnikov, vodeno podporo, ki klik za klikom posnema, kaj naj zaposleni stori, sintetično generiranje podatkov za zagotavljanje kakovosti ali "digitalne dvojčke", ki posnemajo človeško dejavnost v korporativnih sistemih.
Da bi bilo vse to izvedljivo, robusten okvir za kibernetsko varnost, upravljanje in opazovanjeAgenti, ki komunicirajo s kritičnimi vmesniki in sistemi, morajo upoštevati pravilnike dostopa, se izogibati nevarnim dejanjem, beležiti vsak korak za namene revizije in delovati znotraj jasno določenih meja. Opazovalnost tukaj deluje kot »črna skrinjica« in »škatla orodij«: beleži, kaj agent počne, in zagotavlja podatke za kalibracijo in izboljšanje njegovega vedenja.
Varnost, upravljanje in ničelno zaupanje v dobi agentov umetne inteligence
Širitev agentne umetne inteligence in avtonomnih sistemov prinaša s seboj Nova tveganja, ki jih je treba skrbno obvladovatiEna najbolj razpravljanih je tako imenovana "senčna umetna inteligenca": agenti, modeli ali integracije, ki se izvajajo zunaj uradnih kanalov organizacije, brez ustreznih varnostnih ali regulativnih kontrol.
Obstaja tudi nevarnost, dvojni agenti ali zlonamerni agentiDo tega lahko pride bodisi načrtovano (zunanji napadi, manipulacija s promptom, vbrizgavanje ukazov) bodisi zaradi konfiguracijskih napak, ki omogočajo dobronamernemu sistemu izvajanje nenamernih dejanj. Za zmanjšanje teh tveganj je pomembno uporabiti načela Ničelno zaupanje, zlasti glede umetne inteligence.
Ničelno zaupanje v tem kontekstu pomeni, da Noben agent ali komponenta umetne inteligence se privzeto ne šteje za "zanesljivega".Vsako dejanje mora biti izrecno odobreno, dovoljenja morajo biti omejena na najmanjšo potrebno (načelo najmanjših privilegijev) in vse interakcije morajo biti zabeležene za kasnejšo revizijo. Opazovalnost tako postane ključni element upravljanja umetne inteligence.
Dobra opazovalnost omogoča spremljanje delovanja agentov v realnem času, zaznavanje nepravilnega vedenja, potrjevanje pravilnikov dostopa in razpoložljivost popolnih dokazov v primeru incidentov. Orodja, kot so seznami dovoljenih dejanj, človeški pregledi kritičnih zank, čiščenje občutljivih podatkov in nadzor nad lokacijo računalništva (lokalno, javni oblak, suvereni oblak), so bistveni elementi robustnega kontrolnega seznama. učinkovito upravljanje umetne inteligence.
V tem scenariju je ključnega pomena najti ravnovesje med inovacijami in nadzoromOrganizacije želijo v celoti izkoristiti potencial agentne umetne inteligence za povečanje produktivnosti in konkurenčnosti, ne da bi pri tem žrtvovale varnost, skladnost s predpisi ali preglednost pri avtomatiziranem odločanju.
Podatki, infrastruktura in umetna inteligenca kot temeljna plast poslovanja
Če pogledamo širšo sliko, se umetna inteligenca razvija iz dodatnega orodja v strukturna plast, na kateri temelji gospodarska konkurenčnostVse se vrti okoli te preobrazbe: podatkovne strategije, arhitektura oblaka, zasnova strojne opreme, modeli delovne sile in celo nacionalne politike o digitalni infrastrukturi.
Po eni strani, Podatki so konsolidirani kot glavni konkurenčni diferenciatorKer računalništvo in modeliranje postajata vse bolj komodificirana, je ključnega pomena imeti lastne visokokakovostne in dobro upravljane podatke. Opazovalnost, z zajemanjem bogate in kontekstualne telemetrije, postaja eden najdragocenejših virov podatkov za sistemi umetne inteligence za moč in izboljšati procese.
Na drugi strani pa Infrastruktura umetne inteligence se začenja obravnavati kot strateško nacionalno sredstvoVzpon suverenih oblakov se odziva na potrebo po nadzoru nad tem, kje se shranjujejo in obdelujejo občutljivi podatki, kako se modeli usposabljajo in v kakšnih regulativnih okvirih delujejo. Države vlagajo v podatkovne centre, optimizirane za delovne obremenitve umetne inteligence, energetsko učinkovite in usklajene z zahtevami skladnosti.
Vse to sovpada z pospešena modernizacija podatkovnih centrovZaradi energijskih in hladilnih zahtev delovnih obremenitev umetne inteligence in agentskih sistemov energetska učinkovitost ni več zgolj operativno vprašanje, temveč je postala omejujoč dejavnik za inovacije in zahteva glede okoljske skladnosti.
Vzporedno so podjetja prisiljena prekvalifikirati svojo delovno siloCilj ni spremeniti vsakogar v programerje, temveč usposobiti strokovnjake, ki so sposobni orkestrirati in izkoriščati te avtonomne sisteme: poslovne strokovnjake, ki jih poganja umetna inteligenca, inženirje, ki znajo operativne potrebe pretvoriti v politike opazovanja in varnosti, ter hibridne vloge, ki razumejo tako tehnični kot ekonomski vpliv odločitev.
Skupaj ta razvoj vodi do scenarija, v katerem bolj odprta in avtonomna opazovalnost Postane lepilo, ki povezuje tehnologijo, poslovanje in regulacijo: standardi, kot je OpenTelemetry, zagotavljajo prenosljivost in kakovost podatkov, umetna inteligenca in opazovanje agentov zmanjšujeta operativno kompleksnost in pospešujeta odzivanje na incidente, prakse upravljanja in ničelnega zaupanja pa zagotavljajo, da se vse to dogaja pod nadzorom, varno in z resnično možnostjo revizije.
Organizacije, ki jim bo uspelo artikulirati to kombinacijo – standardizirano telemetrijo, enotne platforme, osredotočenost na poslovne rezultate in agente umetne inteligence, ki jih upravljamo z dobro opazovalnostjo – bodo v najboljšem položaju za konkurenčnost v okolju, kjer so digitalni sistemi vse bolj kritični, kompleksni in avtonomni, a hkrati tudi bolj sposobni ustvarjati oprijemljivo vrednost, če so upravljani s pravo preglednostjo.
