Định nghĩa

Telemetry Ngôn ngữ Tự nhiên (NLT) là một kỹ thuật giám sát và khả năng quan sát tiên tiến cho phép người dùng tương tác với dữ liệu telemetry hệ thống phức tạp, khối lượng lớn bằng ngôn ngữ tự nhiên của con người thay vì các ngôn ngữ truy vấn truyền thống (như SQL hoặc DSL độc quyền).

Nó thu hẹp khoảng cách giữa dữ liệu vận hành thô do máy tạo ra (nhật ký, số liệu, dấu vết) và sự thấu hiểu của con người, cho phép các bên liên quan không chuyên về kỹ thuật đặt các câu hỏi phức tạp về tình trạng hệ thống.

Tại sao nó quan trọng

Trong các kiến trúc microservices phân tán hiện đại, khối lượng và độ phức tạp khổng lồ của dữ liệu telemetry có thể làm quá tải các bảng điều khiển giám sát truyền thống. NLT dân chủ hóa khả năng quan sát, cho phép các nhà quản lý sản phẩm, nhà phân tích kinh doanh và nhân viên hỗ trợ thu được những hiểu biết sâu sắc mà không cần kỹ năng kỹ thuật dữ liệu chuyên biệt.

Sự thay đổi này giúp tăng tốc thời gian phản ứng sự cố và cải thiện tốc độ xác thực tính năng bằng cách làm cho việc khám phá dữ liệu trở nên trực quan.

Cách thức hoạt động

Các hệ thống NLT thường sử dụng một quy trình bao gồm nhiều thành phần AI:

• Thu thập và Phân tích cú pháp: Dữ liệu telemetry thô (nhật ký, số liệu) được thu thập và chuẩn hóa.
• Hiểu Ngôn ngữ Tự nhiên (NLU): Truy vấn bằng ngôn ngữ tự nhiên của người dùng được xử lý bởi mô hình NLU để xác định ý định, các thực thể (ví dụ: 'độ trễ', 'service_X') và các ràng buộc (ví dụ: 'giờ qua').
• Tạo Truy vấn: Đầu ra của NLU được dịch thành ngôn ngữ truy vấn chính thức, có thể thực thi được mà cơ sở dữ liệu cơ bản hiểu (ví dụ: PromQL, SQL).
• Thực thi và Trực quan hóa: Truy vấn chạy trên cơ sở dữ liệu telemetry, và kết quả được trả về và trình bày lại cho người dùng dưới định dạng dễ hiểu.

Các trường hợp sử dụng phổ biến

• Sàng lọc sự cố: Một kỹ sư hỗ trợ có thể hỏi, "Hiển thị tất cả các lỗi 5xx cho dịch vụ thanh toán trong 30 phút qua," ngay lập tức xác định phạm vi của sự cố.
• Phân tích hiệu suất: Các nhà phát triển có thể hỏi, "Thời gian phản hồi trung bình cho điểm cuối API /users trên tất cả các khu vực trong tuần trước là bao nhiêu?"
• Lập kế hoạch năng lực: Các nhóm vận hành có thể hỏi, "Mức sử dụng CPU của cụm cơ sở dữ liệu đã có xu hướng như thế nào trong quý vừa qua?"

Lợi ích chính

• Giảm rào cản gia nhập: Giảm yêu cầu về kỹ năng kỹ thuật để truy vấn dữ liệu.
• Tăng tốc độ: Truy xuất dữ liệu và kiểm tra giả thuyết nhanh hơn trong quá trình xảy ra sự cố.
• Hiểu biết sâu sắc hơn: Cho phép khám phá các mối quan hệ phức tạp trên các nguồn dữ liệu khác nhau bằng cách sử dụng cách diễn đạt đơn giản.

Thách thức

• Xử lý sự mơ hồ: Ngôn ngữ tự nhiên vốn dĩ mơ hồ, đòi hỏi khả năng quản lý ngữ cảnh mạnh mẽ từ lớp NLU.
• Ánh xạ lược đồ dữ liệu: Việc ánh xạ chính xác các khái niệm ngôn ngữ trừu tượng sang các trường dữ liệu kỹ thuật chính xác vẫn còn phức tạp.
• Chi phí tính toán: Việc xử lý cần thiết cho việc dịch NLU theo thời gian thực làm tăng độ trễ so với việc truy vấn trực tiếp.

Các khái niệm liên quan

Khái niệm này chồng lấn đáng kể với AIOps (Trí tuệ nhân tạo cho Vận hành CNTT), Tổng hợp Nhật ký và các giao diện AI đàm thoại.