GuerraUn'azienda che offre prodotti progettati per agire sui dati di osservabilità pre-produzione, ha annunciato il lancio del suo motore POA (Preceptive Observability Analysis). Il motore è progettato per verificare, identificare e fornire suggerimenti di “correzione”, contribuendo a bilanciare i sistemi e ridurre i problemi riscontrati nelle basi di codice all'aumentare della loro complessità.
L'applicazione dell'osservabilità preventiva nella pre-produzione può essere più importante in quanto i generatori di codice AI diventano più comuni, afferma la società. Ad esempio, a 2023 Studio dell'Università di Stanford ha rivelato che gli sviluppatori che utilizzavano assistenti di codifica AI avevano maggiori probabilità di introdurre bug nel loro codice. Nonostante ciò, le principali aziende come Google stanno aumentando la loro dipendenza dal codice generato dall'IA, con Oltre il 25% del nuovo codice dell'azienda viene creato all'IA.
Nir Shafrir, CEO e co-fondatore di Digma, ha commentato le risorse in crescita che si dedicano a garantire che i sistemi funzionino bene, dicendo: “Stiamo vedendo molti sforzi investiti nel garantire prestazioni ottimali del sistema, ma molti problemi sono ancora in corso scoperto in basi di codice complesse in ritardo nella produzione. “
“Oltre a ciò, il ridimensionamento è rimasto spesso una stima approssimativa nelle organizzazioni che anticipano la crescita e molti stanno colpendo barriere nella crescita tecnologica che derivano proprio durante i periodi di significativa espansione organizzativa. Significa che i team di ingegneria possono spendere tra il 20-40% dei loro tempi affrontati scoperti in ritardo negli ambienti di produzione, con alcune organizzazioni che spendono fino al 50% delle risorse ingegneristiche per risolvere i problemi di produzione. “
Si prevede che l'osservabilità preventiva diventerà un fattore chiave che aiuta le aziende a ottenere un vantaggio competitivo. Ha diversi potenziali benefici per il codice generato dall'IA, inclusi aumenti di velocità e miglioramenti all'affidabilità del codice scritto dall'uomo. Secondo Digma, l'osservabilità preventiva aiuta a garantire che il codice scritto manualmente sia più affidabile e riduce il rischio nel prodotto finale.
Oltre ad affrontare i bug introdotti dalla generazione di codice AI, il motore di analisi dell'osservabilità preventiva di Digma è stato progettato per combattere le questioni comuni e consolidate che le aziende potrebbero aver sperimentato con il codice fatto dall'uomo, che può comportare violazioni di accordo (SLA) a livello di servizio (SLA) problemi. Per elevati stabilimenti transazionali, come la vendita al dettaglio, il fintech e l'e-commerce, questa tecnologia potrebbe diventare preziosa.
L'algoritmo di Digma è stato progettato per utilizzare le tecniche di corrispondenza dei pattern e di rilevamento delle anomalie per analizzare i dati e trovare comportamenti o problemi specifici. È in grado di prevedere cosa dovrebbero essere i tempi di risposta di un'applicazione e l'utilizzo delle risorse, identificando possibili problemi prima che possano causare danni evidenti. Digma rileva specificamente la parte del codice che sta causando un problema analizzando i dati di tracciamento.
L'analisi preventiva di osservabilità impedisce problemi piuttosto che affrontare le conseguenze dei problemi. I team possono monitorare in modo olistico e affrontare potenziali problemi in aree che vengono spesso ignorate una volta in produzione.
Roni Dover, CTO e co-fondatore di Digma, ha messo in evidenza ciò che differenzia il motore di analisi di osservabilità preventiva di Digma da altri: “Comprendendo il comportamento di runtime e suggerendo correzioni per problemi di prestazioni, problemi di ridimensionamento e conflitti di gruppo, stiamo aiutando le imprese a prevenire i problemi e ridurre rischi in modo proattivo piuttosto che spegnere incendi in produzione. “
Gli strumenti di monitoraggio delle prestazioni dell'applicazione (APM) vengono utilizzati per identificare i problemi di servizio, monitorare gli stati di produzione ed evidenziare gli errori SLA. Gli APM sono pratici per l'invio di avvisi quando i servizi falliscono o lenti durante la produzione. Ma a differenza dell'osservabilità preventiva, gli APM sono limitati in contesti di non produzione e non possono fornire analisi delle fonti dei problemi.
Identificando i problemi di prestazioni e ridimensionamento all'inizio del processo di produzione, anche quando i volumi di dati sono bassi, l'osservabilità preventiva aiuta a prevenire gravi problemi e ridurre i costi del cloud.
Digma ha recentemente completato un round di finanziamento di semi da 6 milioni di dollari di successo, indicando una crescente fiducia nella tecnologia.
Fonte dell'immagine: “Fino a Bechtolsheimer-Alfa Romeo Giulia Sprint GT n. 40-2013 Donington Historic Festival” di Motorsport in Pictures è autorizzato a CC BY-NC-SA 2.0.
Vedi anche: Microsoft e Openi Sonda presunta furto di dati da parte di DeepSeek
Vuoi saperne di più sull'intelligenza artificiale e sui big da parte dei leader del settore? Guardare AI e Big Data Expo si svolge ad Amsterdam, in California e a Londra. L'evento completo è co-localizzato con altri eventi principali tra cui Conferenza di automazione intelligente, Blockx, Settimana di trasformazione digitaleE Cyber Security & Cloud Expo.
Esplora altri prossimi eventi tecnologici aziendali e webinar alimentati da TechForge Qui.
Fonte: www.artificialintelligence-news.com
