主题演讲：《通过 AIOPS、生成式 AI 和机器学习,实现更智能的可观测性》

个人简介：新加坡国立大学硕士，西北工业大学本硕。曾就职于新加坡科技，康柏电脑，通用汽车，爱立信，诺基亚，Linaro 非营利组织 (Linux for ARM)，Ubuntu，Vantiq 等企业。从事过嵌入式软件开发，电脑设计，手机软件设计，汽车电子，计算机操作系统，通信，云实时事件处理等行业。欢迎大家来参阅 Elastic 官方中文博客 https://elasticstack.blog.csdn.net/

议题简介:在现代应用开发的背景下，可观测性是指从各种来源收集和分析数据：日志、指标和追踪 —— 以深入了解在你环境中运行的应用程序的行为。它可以应用于你构建并希望进行监控的任何系统。Elastic Observability 构建于 Elastic Stack 之上，借助搜索能力帮助组织关联无限遥测数据，将数据转化为结果。Elastic Observabilty 针对指标，日志及跟踪在一个平台上提供了完整的解决方案。它可以针对日志，指标及跟踪相互关联，从而达到在统一的体验中为现代应用提供全面的可观测性。而且，Elastic 的通用 Profiling 工具可以分析机器上运行的每一行代码 —— 不仅包括你的应用程序代码库，还包括内核和第三方 —— 从而为你的整个机群提供深入的、全系统的代码可见性，这样你就可以消除猜测。被采集的可观测性数据数量巨大且大多为无用数据。工程师没有办法及能力坐在电脑上分析每一个遥测数据。如何从海量的数据中捕获事件，从而把被动响应变为主动防御。这个在现代可观测系统中非常重要。如何利用人工智能带来的强大分析能力帮助我们分析问题，解决问题，甚至根除问题，这个也成为现代可观测性方案中非常关键的功能。Elastic Streams，这是一个新的 AI 可观测性功能，将日志从嘈杂且昂贵的数据源转化为主要的调查信号。Streams 直接应对这一挑战，通过 AI 将原始日志的混乱转化为最清晰的解决路径，使日志成为调查的主要信号。它可处理从任何来源、任何格式（结构化和非结构化）摄取的原始日志，然后进行分区、解析，并帮助管理保留和数据质量。Streams 减少了 SREs 不断规范化数据、管理自定义模式或筛选无尽噪声的需求。Streams 还会展示重大事件，如主要错误和异常，使你在调查中能够主动出击。Elastic Observability 所提供的 AIOps，机器学习，AI Asistant，Streams 可以帮我们为现代 IT 系统实现更加智能的可观测性。