Agentic Observability: Automated Alert Triage for Adobe E-Commerce
Dieses Paper präsentiert ein agentisches Observability-Framework, das in der E-Commerce-Infrastruktur von Adobe implementiert wurde und durch die Anwendung eines ReAct-Paradigmas autonomes Alert-Triage durchführt, wobei eine Reduktion der mittleren Zeit bis zur Erkenntnis um 90 % bei gleichbleibender diagnostischer Genauigkeit durch dynamische Log-Analyse und kontextsensitive Aktionsplanung erzielt wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich einen riesigen, hochgeschwindigkeitsorientierten E-Commerce-Shop (wie den, den Adobe betreibt) als eine riesige, geschäftige Stadt vor. Diese Stadt besteht aus tausenden winzigen, miteinander verbundenen Gebäuden (Microservices), die ständig miteinander kommunizieren, um Bestellungen abzuwickeln, Abonnements zu verwalten und Produkte anzuzeigen.
In dieser Stadt gehen ständig Dinge schief. Ein Rohr birst in der Sanitäranlage, eine Ampel spinnt oder der Strom flackert. In den alten Zeiten, wenn ein Alarm auslöste, musste ein menschlicher „Feuerwehrmann“ (ein Ingenieur):
- Zum Alarm rennen.
- Eine Karte (Logs) schnappen.
- Zu fünf verschiedenen Gebäuden laufen, um deren Status zu prüfen.
- Die Bibliothek anrufen, um das Handbuch für dieses spezifische Gebäude nachzuschlagen.
- Schließlich herausfinden, was kaputt ist und wie man es repariert.
Dieser Prozess dauerte lange Zeit (etwa 18 bis 33 Minuten), und der Feuerwehrmann war oft überfordert, da er zu viele Karten und Werkzeuge gleichzeitig jonglieren musste.
Die neue Lösung: Das „Super-Detektiv“-Team
Das Paper stellt ein neues System namens Agentic Observability vor. Stellen Sie sich dies nicht als einen einzelnen Roboter vor, sondern als ein spezialisiertes Detektiv-Team, das sofort in Aktion tritt, sobald ein Alarm ertönt. Sie warten nicht darauf, dass ein Mensch ihnen sagt, was sie tun sollen; sie springen sofort zur Tat.
So ist dieses Team strukturiert, unter Verwendung einer einfachen Analogie:
- Der „Späher“ (Splunk Agent): Sobigkeit der Alarm schrillt, rennt dieser Agent zum Einsatzort. Er holt die spezifischen „Tatortfotos“ (Logs) vom exakten Ort, an dem der Fehler aufgetreten ist. Er filtert das Rauschen heraus und findet die spezifischen Hinweise (Fehlermeldungen), die wichtig sind.
- Der „Detektiv“ (Tools Agent): Dies ist das Gehirn des Einsatzes. Er sieht sich die Hinweise an, die der Späher gefunden hat. Er fragt: „Haben wir gerade die Rohre geändert? Spinnt das Stromnetz?“ Er konsultiert die Baupläne der Stadt (Runbooks) und die Historie der jüngsten Änderungen (Code-Deployments), um herauszufinden, warum dies passiert ist. Dann erstellt er einen Schritt-für-Schritt-Plan zur Behebung.
- Der „Qualitätskontrollbeauftragte“ (Reflection Agent): Bevor das Team den Bericht an den menschlichen Chef sendet, überprüft dieser Agent die Arbeit. Er fragt: „Haben wir etwas übersehen? Ergibt diese Erklärung Sinn? Ist die Reparatur sicher?“ Wenn sich das Team nicht zu 100 % sicher ist, stoppt es nach ein paar Versuchen und sagt dem Menschen: „Hier ist unsere beste Vermutung, aber wir brauchen Ihre Hilfe.“
Wie es in der Realität funktioniert
Das Paper testete dieses Team an einem spezifischen Problem: Content-Validierungsfehlern. Stellen Sie sich ein Szenario vor, in dem eine Produktbeschreibung auf der Website einen Tippfehler oder ein fehlerhaftes Format hat. Im alten System musste ein Mensch manuell Tausende von Textzeilen durchsuchen, um den Tippfehler zu finden, die jeweilige Sprachversion zu identifizieren und ihn dann zu korrigieren. Dies dauerte etwa 13 Minuten pro Fehler.
Mit dem neuen KI-Team:
- Der Alarm geht los.
- Der Späher zieht sofort das spezifische Log, das den fehlerhaften Text anzeigt.
- Der Detektiv findet genau heraus, welches Produkt und welche Sprachversion defekt ist, und findet die exakte Zeilennummer des Fehlers.
- Der Qualitätskontrollbeauftragte überprüft die Ergebnisse.
- Das Team sendet eine Nachricht an den menschlichen Ingenieur: „Der Fehler liegt im ‚Summer Sale‘-Banner für die französische Version, Zeile 42. Hier ist die Korrektur.“
Der menschliche Ingenieur muss nur noch auf „Anwenden“ klicken, um den Fehler zu beheben. Der gesamte Prozess dauerte mit dem KI-Team etwa 1,8 Minuten.
Die Ergebnisse
Das Paper behauptet, dass dieses neue System aus drei Hauptgründen ein Game-Changer ist:
- Geschwindigkeit: Es reduzierte die Zeit, um das Problem zu finden (Mean Time to Insight), um 90 %. Anstatt 18 Minuten zu warten, kommt die Antwort in etwa 2 Minuten.
- Genauigkeit: Das KI-Team war genauso gut darin, die richtige Ursache zu finden, wie erfahrene menschliche Ingenieure (etwa 88 % Genauigkeit), aber viel schneller und konsistenter.
- Weniger Arbeit für Menschen: Es automatisierte etwa 65 % bis 75 % der Schritte, die Menschen zuvor manuell durchgeführt haben. Das bedeutet, dass Ingenieure weniger Zeit damit verbringen, nach Hinweisen zu suchen, und mehr Zeit damit, die Stadt tatsächlich zu reparieren.
Die Kehrseite
Das Paper ist ehrlich über die Einschränkungen. Das „Super-Detektiv“-Team ist nur so gut wie die Informationen, auf die es zugreifen kann.
- Wenn die „Telefonleitungen“ (APIs) verstopft sind, weil es zu viele Alarme gleichzeitig gibt, könnte das Team etwas langsamer werden.
- Das Team benötigt Menschen, die ihm die Regeln (Runbooks) für neue Arten von Gebäuden beibringen. Es kann die Regeln nicht selbst erfinden; es folgt lediglich den Regeln, die ihm gegeben wurden.
- Für gefährliche Reparaturen (wie das Ausschalten eines Hauptstromschalters) muss ein Mensch immer noch das letzte „Okay“ geben, um die Sicherheit zu gewährleisten.
Zusammenfassung
Kurz gesagt beschreibt dieses Paper ein System, das reaktives Monitoring (darauf warten, dass ein Mensch herausfindet, was schiefgelaufen ist) in proaktives Denken verwandelt (ein KI-Team, das sofort ermittelt, schlussfolgert und einen Lösungsvorschlag macht, sobald ein Alarm ertönt). Es verschiebt die Rolle des Menschen vom „Detektiv“ zum „Supervisor“, wodurch das Unternehmen in der Lage ist, nach Ausfällen viel schneller zu reagieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.