ما المقصود بقابلية الملاحظة؟

تُسهم قابلية الملاحظة بدور بالغ الأهمية في الحفاظ على توفر الأنظمة الحديثة، وأدائها، وأمانها، سواء في البيئات البرمجية أو بيئات الحوسبة السحابية.

يأتي مصطلح "قابلية الملاحظة" من نظرية التحكم، وهي نظرية هندسية تهتم بأتمتة التحكم في الأنظمة الديناميكية، مثل تنظيم تدفق المياه عبر أنبوب بناءً على ملاحظات من نظام التحكم في التدفق.

توفر قابلية الملاحظة رؤية متعمقة لتكدسات التقنيات الحديثة والموزعة، ما يمكّن من التعرف على المشكلات وحلها تلقائيًا وفي الوقت الفعلي. فكلما كان النظام أكثر قابلية للملاحظة، كان بمقدور فرق تكنولوجيا المعلومات الانتقال بسرعة ودقة أكبر من مشكلة أداء محددة إلى سببها الأساسي، دون الحاجة إلى اختبارات إضافية أو كتابة تعليمات برمجية جديدة.

في عمليات تكنولوجيا المعلومات (ITOps) والحوسبة السحابية، تتطلب قابلية الملاحظة أدوات برمجية تقوم بتجميع وتنسيق وتحليل تدفق مستمر من بيانات الأداء من التطبيقات والأجهزة والشبكات التي تعمل عليها. ويمكن للفرق بعد ذلك استخدام هذه البيانات لمراقبة التطبيقات والشبكات واستكشاف أخطائها وإصلاحها، وفي النهاية تحسين تجربة العملاء وتلبية متطلبات اتفاقيات مستوى الخدمة (SLAs) وغيرها من متطلبات العمل.

غالبًا ما يتم الخلط بين قابلية الملاحظة ومفاهيم مثل مراقبة أداء التطبيقات و إدارة أداء الشبكات (NPM). ومع ذلك، تُعد أدوات قابلية الملاحظة تطورًا طبيعيًا لمراقبة أداء التطبيقات وطرق جمع بيانات إدارة أداء الشبكات. فهي أكثر ملاءمة للتعامل مع الطبيعة الموزعة والديناميكية بشكل متزايد لنشر تطبيق السحابة الأصلية .

قابلية الملاحظة لا تحل محل مناهج المراقبة الأخرى، بل تُحسّنها وتتوسع فيها.

تكتشف منصات قابلية الملاحظة باستمرار وتجمع قياس الأداء عن بُعد من خلال التكامل مع الأجهزة المدمجة في عناصر التطبيقات والبنية التحتية، مما يضيف ميزات وأجهزة لهذه العناصر.

تركز قابلية الملاحظة على ثلاثة أنواع رئيسية من القياس عن بعد:

السجلات عبارة عن سجلات دقيقة ومختومة زمنيًا وكاملة وغير قابلة للتغيير لأحداث التطبيق. من بين أمور أخرى، يمكن استخدام السجلات لإنشاء سجل عالي الدقة، بالمللي ثانية لكل حدث، مع استكمال السياق المحيط. يستخدم المطورون السجلات لاستكشاف الأخطاء وإصلاحها وتصحيح الأخطاء.

يسجل التتبع "الرحلة" من طرف إلى طرف لكل طلب مستخدم، بدءًا من واجهة المستخدم أو تطبيق الأجهزة المحمولة، مرورًا بالبنية بأكملها، ووصولاً إلى المستخدم.

المقاييس (التي تسمى أحيانًا مقاييس السلاسل الزمنية) هي مقاييس أساسية لسلامة التطبيق والنظام مع مرور الوقت. على سبيل المثال، تُستخدم المقاييس لقياس مقدار الذاكرة أو سعة وحدة المعالجة المركزية التي يستخدمها التطبيق في خمس دقائق، أو زمن الانتقال الذي يواجهه التطبيق خلال فترة الاستخدام.

كما تنتج أدوات المراقبة أيضًا خرائط تبعية تكشف عن كيفية اعتماد كل مكون من مكونات التطبيق على المكونات والتطبيقات وموارد تكنولوجيا المعلومات الأخرى.

بعد جمع القياس عن بُعد، تقوم المنصة بربط البيانات في الوقت الفعلي، ما يوفر لفرق عمليات التطوير وفرق هندسة موثوقية الموقع (SRE) وموظفي تقنية المعلومات معلومات كاملة عن السياق. الفرق تفهم "ماذا وأين ولماذا" لأي حدث قد يشير إلى مشكلة في أداء التطبيق أو يتسبب فيها أو يعالجها.

كما تكتشف العديد من منصات المراقبة بشكل تلقائي مصادر جديدة للقياس عن بعد عند ظهورها داخل النظام، مثل عندما تتم إضافة واجهة برمجة تطبيقات (API) جديدة إلى الشبكة. وتتضمن المنصات الرائدة أيضًا قدرات  الذكاء الاصطناعي للعمليات (عمليات التطوير)  التي يمكنها فصل الإشارات، وهي مؤشرات على وجود مشكلات حقيقية، عن "الضوضاء"، وهي بيانات لا علاقة لها بالقضايا الحالية أو المحتملة.

عادةً ما تعمل أدوات قابلية الملاحظة على أتمتة ثلاث عمليات رئيسية لمساعدة الشركات على فهم مجموعة التقنية بشكل أوضح:

الجمع المستمر للبيانات يجعل قابلية الملاحظة ممكنة. تعمل أدوات قابلية الملاحظة على تسهيل جمع بيانات ذاكرة وحدة المعالجة المركزية وتجميعها والوصول إليها وسجلات التطبيقات وأرقام التوفر العالية ومتوسط زمن الانتقال والمقاييس الأخرى.

يجب أن تكون الفرق قادرة على عرض بيانات التطبيق والنظام بسهولة نسبية؛ لذلك تقوم أدوات قابلية الملاحظة بإعداد لوحة المعلومات لمراقبة سلامة التطبيق وأي خدمات ذات صلة وأي أهداف تجارية ذات صلة.

تساعد ميزات المراقبة أيضًا على توضيح كيفية عمل الخدمات مع بعضها، وذلك باستخدام أدوات مثل الرسوم البيانية للتبعية وتناسبها مع البنية الشاملة.

في السابق، كانت مهام تحليل البيانات تُنفذ باستخدام أدوات إدارة أداء التطبيق (APM)، والتي تقوم بتجميع البيانات التي تم جمعها من كل مصدر بيانات لإنشاء تقارير ولوحات المعلومات وتصورات قابلة للفهم، على غرار ميزات المراقبة في برامج قابلية الملاحظة.

نظرًا لاعتماد البنى الحديثة غالبًا على الخدمات المصغّرة التي تعمل ضمن حاويات، فإن أدوات قابلية الملاحظة تقوم عادةً بتحويل بيانات تتبع الاستخدام الأساسية إلى طبقة Kubernetes ، مما يمكّن فرق تكنولوجيا المعلومات من تركيز تحليل البيانات على أهداف مستوى الخدمة (SLOs) ومؤشرات مستوى الخدمة (SLIs). تعمل برمجيات قابلية الملاحظة على تجميع البيانات من مصادر متعددة، والتحقق من مدى أهميتها، ثم تقديم رؤى قابلة للتنفيذ إلى فرق التطوير.

ومن الجدير بالذكر أن قدرات الأتمتة لبرامج المراقبة تمتد إلى ما هو أبعد من هذه العمليات الثلاث. كما يمكن لأدوات قابلية الملاحظة ًأيضًا أتمتة عمليات تصحيح الأخطاء والأجهزة وتحديثات لوحة معلومات المراقبة عند إضافة خدمات جديدة إلى الشبكة. فهي تدير التعامل مع الوكلاء، حيث يكون الوكلاء عبارة عن عناصر برمجية صغيرة منتشرة في جميع أنحاء البيئة لجمع بيانات القياس عن بُعد باستمرار، وغير ذلك.

على مدى العقود القليلة الماضية، اعتمدت فرق تكنولوجيا المعلومات بشكل أساسي على أدوات مراقبة أداء التطبيقات لمراقبة التطبيقات واستكشاف الأخطاء وإصلاحها. مراقبة أداء التطبيقات، والتي تتضمن -على سبيل المثال لا الحصر- مراقبة أداء التطبيقات، حيث تقوم بشكل دوري بأخذ عينات من بيانات التطبيقات والنظام وتجميعها والتي يمكن أن تساعد في تحديد مشكلات أداء التطبيقات.

تقوم APM بتحليل القياس عن بعد بالنسبة لمؤشرات الأداء الرئيسية (KPIs) وتجمع النتائج في لوحات معلومات سهلة القراءة، والتي تنبه فرق العمليات والدعم إلى أي ظروف غير طبيعية تسبب أو تهدد بالتسبب في مشكلات في أداء النظام.

تعتبر أدوات مراقبة أداء التطبيقات فعالة لمراقبة واستكشاف أخطاء التطبيقات الضخمة والتطبيقات الموزعة التقليدية وإصلاحها. في هذه التكوينات، تحدث إصدارات جديدة من التعليمات البرمجية بشكل دوري، كما أن عمليات سير العمل والتبعيات بين عناصر التطبيق والخوادم والموارد معروفة جيدًا أو من السهل تتبعها نسبيًا.

ومع ذلك، تتبنى مؤسسات اليوم التحول الرقمي. فهي تتحول بسرعة نحو ممارسات التطوير الحديثة، مثل التطوير الرشيق، والتكامل المستمر والنشر المستمر (CI / CD)، وعمليات التطوير، واعتماد تقنيات السحابة الأصلية، مثل حاويات Docker والوظائف بدون خادم.

غالبًا ما تعتمد التطبيقات الحديثة على هياكل الخدمات المصغرة، والتي غالبًا ما تعمل داخل مجموعات Kubernetes المحفوظة في حاويات . ونتيجة لذلك، يمكن للمطورين تقديم المزيد من الخدمات إلى السوق بشكل أسرع من أي وقت مضى.

ولكن، أثناء القيام بذلك، يقومون بنشر مكونات التطبيق الجديدة في جميع أنحاء البنية. تعمل هذه العناصر بلغات وتنسيقات بيانات مختلفة وتعمل لفترات متفاوتة، وأحيانًا لثوانٍ أو أجزاء من الثانية فقط، كما هو الحال مع الدوال بدون خادم. وهذا يعني أوقات تشغيل متعددة؛ حيث يقوم كل وقت تشغيل بإخراج السجلات في مواقع مختلفة داخل البنية التحتية.

لا تستطيع بروتوكولات أخذ العينات من البيانات (مرة واحدة في الدقيقة) وبروتوكولات المراقبة التقليدية الخاصة بـ APM مواكبة مثل هذه الكمية الهائلة من البيانات.

وبدلًا من ذلك، تحتاج الشركات إلى قياس عن بُعد عالي الدقة والحجم والأتمتة وتوليد الرؤى في الوقت الفعلي التي توفرها أدوات المراقبة. تُمكّن هذه الأدوات فرق التطوير من إنشاء وتخزين سجلات في الوقت الحقيقي، عالية الدقة، وغنية بالسياق، ومترابطة بالكامل لكل تطبيق وطلب مستخدم ومعاملة بيانات على الشبكة.

أصبح موضوع القدرة على الملاحظة محوريًا في عمليات التطوير الحديث، والذي يعمل على تسريع تسليم التطبيقات والخدمات من خلال الجمع بين عمل فرق تطوير البرامج وعمليات تكنولوجيا المعلومات وأتمتته. تستخدم عمليات التطوير الأدوات والممارسات المشتركة، والتحديثات الصغيرة والمتكررة لجعل تطوير البرمجيات أسرع، وأكثر كفاءة وموثوقية.

تتطلب استراتيجية عمليات التطوير الفعّالة من فرق العمل تحديد اختناقات الأداء المحتملة والمشكلات في تجربة المستخدم النهائي واستخدام أدوات قابلية الملاحظة لمعالجة المشكلة. ومن خلال منصة قابلية الملاحظة، يمكن لفرق عمليات التطوير تحديد العناصر والأحداث المسببة للمشكلات بسرعة باستخدام رؤى البيانات ذات الصلة.

كما تعمل منصات قابلية الملاحظة أيضًا على تمكين فِرق عمليات التطوير من خلال الأدوات وطرق هندسة قابلية الملاحظة لفهم أنظمتها بشكل أفضل. تشمل هذه الأدوات والأساليب تحليل الحوادث للمساعدة في العثور على أسباب أحداث النظام غير المتوقعة وتحسين أساليب الاستجابة للحوادث المستقبلية؛ ووضع علامات على الميزات للسماح للفرق بتمكين وظائف التطبيق وتعطيلها دون تعديل الكود المصدر؛ والتحقق المستمر، الذي يستخدم التعلم الآلي (ML) لتحليل بيانات النشر التاريخية وإنشاء خط أساس للأداء.

تعني رؤى بيانات قابلية الملاحظة عالية الجودة ردود فعل أسرع وأفضل في عمليات تطوير البرامج واختبارها ومسار تكامل مستمرًا ونشرًا مستمرًا CI/CD أكثر كفاءة.

يعمل الذكاء الاصطناعي على تحويل قابلية الملاحظة، ودمج التحليلات المتقدمة، والأتمتة، والميزات التنبؤية في عمليات تكنولوجيا المعلومات. وتوفر قابلية الملاحظة التقليدية رؤية تفصيلية للأنظمة، ولكن الذكاء الاصطناعي يعزز هذه الرؤية من خلال تحليل البيانات بذكاء للتنبؤ بالمشكلات ومنعها قبل حدوثها.

تتيح قابلية الملاحظة المستندة إلى الذكاء الاصطناعي لفرق التطوير حماية البنية التحتية لتكنولوجيا المعلومات بشكل استباقي بدلًا من حل المشكلات عند ظهورها. فمن خلال استخدام خوارزميات التعلم الآلي (ML)، يمكن لأدوات قابلية الملاحظة تحليل تدفقات البيانات الواسعة للعثور على الأنماط والاتجاهات والحالات الشاذة، مما يكشف عن رؤى قد يغفل عنها العامل البشري.

تتضمن بعض أدوات وميزات قابلية الملاحظة التي تعتمد على الذكاء الاصطناعي ما يلي:

يمكن لأدوات قابلية الملاحظة استخدام تقنيات الذكاء الاصطناعي لمحاكاة وأتمتة عملية صناعة القرار البشري في عملية المعالجة.

على سبيل المثال، عند استخدام فريق ما لمنصة إدارة التجربة الرقمية (DEM)، فإن هذه المنصات تعتمد اليوم على مجموعة من برامج المعالجة التلقائية التي تتيح لفِرق تكنولوجيا المعلومات إجراء إصلاحات بنقرة واحدة، مع تقديم خيارات الخدمة الذاتية للمستخدمين.

باستخدام المراقبة المستمرة، يمكن لوظائف قابلية الملاحظة القائمة على الذكاء الاصطناعي تحليل البيانات الواردة للعثور على الحالات الشاذة والأنشطة التي تتجاوز العتبات المحددة. ويمكن لمنصة قابلية الملاحظة بعد ذلك تنفيذ سلسلة من الإجراءات التصحيحية، على غرار البرامج النصية للمعالجة من أجل معالجة المشكلة.

إذا كان البرنامج، لسبب ما، غير قادر على حل المشكلة، فسيقوم تلقائيًا بإنشاء تذكرة تحتوي على جميع التفاصيل ذات الصلة. تتضمن هذه التفاصيل موقع المشكلة، ومستوى أولويتها، وأي رؤى ذات صلة من نماذج الذكاء الاصطناعي في منصة إدارة المشكلات الخاصة بفريق تكنولوجيا المعلومات.

تتيح هذه العملية لموظفي تكنولوجيا المعلومات التركيز فقط على المشكلات التي لا يستطيع البرنامج معالجتها وحل مشكلات أداء النظام بأسرع وقت ممكن.

تتميّز النماذج اللغوية الكبيرة (LLMs) بالقدرة على التعرف على الأنماط في كميات هائلة من البيانات النصية المتكررة، والتي تشبه إلى حد كبير بيانات السجل والقياس عن بُعد في الأنظمة الديناميكية والمعقدة. ويمكن تدريب النماذج اللغوية الكبيرة اليوم لخدمة عمليات تكنولوجيا معلومات محددة، أو توجيهها باستخدام بروتوكولات هندسة الموجّهات لاسترجاع المعلومات والرؤى باستخدام اللغة البشرية من حيث البنية والدلالة.

تساعد التطورات في النماذج اللغوية الكبيرة مستخدمي أدوات قابلية الملاحظة على كتابة واستكشاف الاستعلامات بلغة طبيعية، والابتعاد عن لغات الاستعلام المعقدة. يحقق هذا التطوير فائدة كبيرة للمستخدمين من جميع مستويات المهارة، خاصةً الأشخاص ذوي الخبرة التقنية المحدودة، مما يساعدهم على إدارة البيانات المعقدة بشكل أكثر فعالية.

ليست النماذج اللغوية الكبيرة حتى الآن مناسبة للتحليل في الوقت الفعلي واستكشاف الأخطاء وإصلاحها؛ لأنها غالبًا ما تفتقر إلى الدقة اللازمة لالتقاط السياق الكامل. ومع ذلك، تتميز النماذج اللغوية الكبيرة بقدرات معالجة النصوص المتقدمة للمساعدة في تبسيط معارف البيانات في منصات قابلية الملاحظة.

تتيح المزيد من الرؤى التي يمكن الوصول إليها إدراكًا أفضل لسلوك النظام وفهمًا أفضل وأوسع لمشكلات تكنولوجيا المعلومات ونقاط الفشل.

الذكاء الاصطناعي السببي هو فرع من الذكاء الاصطناعي يركز على توضيح ونمذجة العلاقات السببية بين المتغيرات، بدلًا من مجرد تحديد الارتباطات.

غالبا ما تعتمد تقنيات الذكاء الاصطناعي التقليدية، مثل التعلم الآلي (ML)، على الارتباط الإحصائي للتنبؤ. يهدف الذكاء الاصطناعي السببي بدلًا من ذلك إلى إيجاد الآليات الكامنة التي تُنتج الارتباطات لتحسين القدرة التنبؤية وتمكين اتخاذ قرارات أكثر استهدافًا.

قد يؤدي دمج الذكاء الاصطناعي السببي في أنظمة قابلية الملاحظة إلى تعزيز رؤى مجموعة في بيئات تكنولوجيا المعلومات الخاصة بها.

يُمكِّن الذكاء الاصطناعي السببي فرق تكنولوجيا المعلومات من تحليل العلاقات والترابط بين عناصر البنية التحتية، حتى يتمكنوا من تحديد الأسباب الجذرية للمشكلات التشغيلية ومشكلات الجودة بشكل أفضل. إنه لا يقتصر على تمكين المطورين من فهم "متى وأين" تحدث مشكلات النظام فحسب، بل يمكّنهم كذلك من فهم "لماذا تحدث" تلك المشكلات، مما يساعد الفرق على حل المشكلات بشكل أسرع ويعزز موثوقية النظام.

يمكن لقابلية الملاحظة للواجهة الأمامية والخلفية للتطبيقات (Full Stack) أن تجعل النظام أسهل في الفهم والمراقبة، وأسهل وأكثر أمانًا للتحديث برمز جديد، وأسهل في الإصلاح. يساعد في تمكين فرق تكنولوجيا المعلومات من أن:

من أبرز القيود في أدوات المراقبة أنها تقتصر على مراقبة "المجهولات المعروفة" — أي الظروف الاستثنائية التي تعرف فرق تكنولوجيا المعلومات مسبقًا أنها تحتاج إلى مراقبتها. أما أدوات قابلية الملاحظة، فهي تكشف عن ظروف قد لا تخطر على بال الفرق أصلًا، ثم تربطها بمشكلات أداء محددة. هذا النوع من الرؤى يوفّر سياقًا أعمق يساعد على تحديد الأسباب الأساسية للمشكلات وتسريع معالجتها.

تقوم قابلية الملاحظة بدمج المراقبة في المراحل الأولى من عملية تطوير البرمجيات. ويساعد هذا التكامل فرق التطوير والعمليات على تحديد المشكلات في التعليمات البرمجية الجديدة وإصلاحها قبل أن تؤثر على تجربة العملاء أو اتفاقيات مستوى الخدمة.

تمكّن أدوات قابلية الملاحظة المطورين من جمع مجموعة واسعة من بيانات القياس عن بُعد وتحليلها وربطها واكتشافها لفهم سلوك المستخدم بشكل أفضل وتحسين تجربة المستخدم.

تتيح أدوات المراقبة للفرق تحديد الأجهزة وتجميع البيانات في تكوين مجموعة Kubernetes، على سبيل المثال، والبدء في جمع البيانات عن بعد من لحظة تشغيلها حتى توقفها.

يمكن لفرق تكنولوجيا المعلومات الجمع بين قابلية الملاحظة وقدرات الذكاء الاصطناعي لعمليات تقنية المعلومات AIOps والتعلم الآلي ML والأتمتة للتنبؤ بالمشكلات استنادًا إلى مخرجات النظام وحلها دون تدخل بشري.

تعمل حلول قابلية الملاحظة على تسريع عمليات اكتشاف المشكلات وحلها. يساعد هذا التسريع الفرق على إبقاء توفر التطبيق مرتفعًا، ومتوسط وقت الإصلاح منخفضًا، وانقطاعات الخدمة إلى الحد الأدنى.

تتبع حلول قابلية الملاحظة نهجًا شاملًا وسحابيًا أصيلًا لتسجيل التطبيقات ومراقبتها. فهي تسهل أتمتة العمليات السلسة وتعمل مع البيانات السياقية التاريخية لمساعدة الفرق على تحسين تطبيقات المؤسسات بشكل أفضل في مجموعة من حالات الاستخدام.

• مراقبة النظام في الوقت الفعلي. توفر أدوات قابلية الملاحظة إمكانية القياس عن بُعد للسلامة والأداء في الوقت الحقيقي، من البداية إلى النهاية بحيث يمكن لفرق تكنولوجيا المعلومات تسريع بروتوكولات تصحيح الأخطاء والحفاظ على تشغيل التطبيقات على النحو الأمثل.
  
  
• التحول الرقمي المستنير والترحيل السحابي. مع قيام الشركات بتحديث البنية التحتية للتطبيقات والسحابة الخاصة بها، فإنها غالبًا ما تؤدي إلى زيادة تعقيد النظام بشكل عام. تتيح منصات قابلية الملاحظة للفرق الحفاظ على الرؤية في بيئات السحابة المتعددة الموزعة، والديناميكية العالية والبيئات السحابية الهجينة.
  
  
• تحسين أداء الأعمال. تمكّن قابلية الملاحظة الفرق من العثور على المشكلات وإصلاحها بشكل أسرع، حتى يتمكنوا من قضاء المزيد من الوقت في التركيز على جوانب أخرى من العمل.
  
  
• تطوير وأمن وعمليات (Devsecops) أفضل. تتيح الأنظمة القابلة للملاحظة لفرق التطوير والأمان والعمليات إنشاء تطبيقات أكثر أمانًا ومرونة من خلال توفير تعليقات مستمرة في الوقت الفعلي من دورة حياة تسليم البرامج.
  
  
• تحسين الأنظمة المستندة إلى الذكاء الاصطناعي. تستطيع أدوات قابلية الملاحظة المستندة إلى الذكاء الاصطناعي العمل عبر أنظمة موزعة ومعقدة، حيث تنشر خوارزميات الذكاء الاصطناعي لتحليل البيانات بسرعة وربطها ببعضها. كما يمكن لنماذج التعلم الآلي (ML) داخل هذه الأدوات توليد تحليلات تنبؤية والتنبؤ باتجاهات الأداء.