New Relic قابلیت مشاهده تمام پشته سازمانی را گسترش می دهد تا MLO ها را نیز در بر گیرد

New Relic پلت فرم تجزیه و تحلیل و مشاهده پذیری تمام پشته خود، New Relic One را به روز کرده است تا به دانشمندان داده و مهندسان یادگیری ماشین اجازه دهد داده ها را از سیستم های مختلف وارد کنند، عملکرد برنامه ML را نظارت کنند و مدل ها را بازآموزی کنند.

از آنجایی که شرکت‌ها قابلیت‌های یادگیری ماشین (ML) خود را برای تجزیه و تحلیل داده‌های تولید شده توسط برنامه‌های کاربردی پیچیده گسترش می‌دهند، New Relic برنامه full-stack مشاهده پذیری New Relic One خود را به روز کرده است. شامل عملیات یادگیری ماشینی (MLOps) می‌شود که برای کمک به مدیریت چندین داده و مدل‌های ML در واحدهای تجاری مختلف طراحی شده‌اند.

گای فیگل گفت: New Relic One همراه با برنامه، شبکه، زیرساخت، نظارت بر مرورگر، و مدیریت گزارش و خطا، طراحی شده است تا به دانشمندان داده و مهندسان ML اجازه دهد نه تنها عملکرد مدل ML را نظارت کنند، بلکه پس از بالا بردن هشدارها، مدل ها را مجدداً آموزش دهند. ، مدیر کل هوش کاربردی و معاون گروه مهندسی محصول در New Relic.

مشاهده پذیری یک اصطلاح نسبتاً جدید در فناوری اطلاعات است که برای توصیف وظیفه نظارت بر برنامه های کاربردی سازمانی، جریان داده ها و زیرساخت های توزیع شده استفاده می شود. سیستم‌هایی که قابلیت مشاهده را ارائه می‌دهند، فراتر از برنامه‌های نظارت بر عملکرد برنامه قبلی (APM) هستند و یک نمای کلی سطح بالا از زیرساخت‌های فناوری اطلاعات و همچنین معیارهای ریز ارائه می‌دهند تا امکان مدیریت کارآمد برنامه، شبکه، داده و امنیت را فراهم کنند. .

براساس یک گزارش تحقیق منتشر شده توسط log ارائه‌دهنده برنامه مدیریت LogDNA، ۷۵ درصد از شرکت‌های پاسخ‌دهنده هنوز با وجود سرمایه‌گذاری قابل توجه در ابزارها، برای دستیابی به قابلیت مشاهده واقعی تلاش می‌کنند.

این مطالعه که از ۲۰۰ متخصص ارشد مهندسی در سراسر ایالات متحده مورد نظرسنجی قرار گرفت، نشان داد که در حال حاضر دو سوم سازمان‌ها سالانه ۱۰۰ هزار دلار یا بیشتر را صرف ابزارهای مشاهده‌پذیری می‌کنند و ۳۸ درصد آنها سالانه ۳۰۰ هزار دلار یا بیشتر هزینه می‌کنند.

MLOps به قابلیت مشاهده سیستم کمک می کند

به‌روزرسانی New Relic One برای کمک به کاهش چندین نقطه درد برای دانشمندان داده طراحی شده است، از جمله ماهیت در حال تغییر مدل‌های ML یا AI، زیرا به داده‌ها و کدهای زیربنایی وابسته هستند که ممکن است با تغییر شرایط دنیای واقعی بی‌ربط شوند. .

اندی تورای، معاون پژوهشی و تحلیلگر اصلی در Constellation Research، گفت: «مدل‌های ML در طول زمان بدتر می‌شوند. بنابراین برای اندازه‌گیری عملکرد مدل، چولگی، کهنگی/تازه بودن مدل، به نظارت مدل نیاز دارید. فراخوان مدل، دقت مدل، و معیارهای دقت مدل. بسته به کاربرد و استفاده، مدل‌ها می‌توانند در عرض چند ثانیه تغییر کنند یا در موارد نادر برای روزها/هفته‌ها/سال‌ها معتبر باشند.”

فیگل گفت: به‌روزرسانی New Relic One به مهندسان نرم‌افزار و دانشمندان داده اجازه می‌دهد داده‌های خود را وارد کنند یا با پلتفرم‌های علم داده ادغام شوند، همچنین مدل‌های یادگیری ماشین و وابستگی‌های متقابل را همراه با سایر اجزای برنامه از جمله زیرساخت نظارت کنند.

در حال حاضر، New Relic از پلتفرم‌های علم داده مانند AWS SageMaker، DataRobot، Aporia، Superwise، Comet، DAGsHub، Mona و TruEra پشتیبانی می‌کند.

این شرکت گفت که شرکت‌ها می‌توانند داشبوردهای سفارشی ایجاد کنند تا دقت مدل‌های یادگیری ماشینی را ردیابی کنند و هشدارهایی را برای تغییرات غیرعادی قبل از اینکه بر کسب‌وکار یا مشتریان تأثیر بگذارند، ایجاد کنند.

قابلیت مشاهده برای شکستن سیلوهای داده، سرعت توسعه

مشکل دیگر برای شرکت‌هایی که برنامه‌های ML را به کار می‌گیرند، طبق گفته New Relic’s Fighel، این است که چگونه تیم‌های مختلف در سراسر شرکت‌ها نمی‌توانند به دلیل داشبوردهای متفاوت و رابط‌های مجزا با یکدیگر کار کنند.

«شکاف بزرگی بین تولیدکنندگان مدل، دانشمندان داده AKA، در مقابل پیاده‌کنندگان مدل، مهندسی داده‌های AKA و تیم‌های devops وجود دارد. با داشتن چنین ابزارهایی، می توان یک مدل را به راحتی تولید کرد.

پلتفرم New Relic One می‌تواند به گرد هم آوردن تیم‌ها کمک کند، حتی اگر شرکت قبلاً روی پلتفرم‌های علم داده جداگانه سرمایه‌گذاری کرده باشد، با ارائه یک رابط مشترک که به دانشمندان داده و سایر کاربران اجازه می‌دهد داده‌ها را از مدل‌های مختلف وارد کرده و مدل‌های ساخته شده را مشاهده کنند. فیگل گفت پلتفرم های ML.

این قابلیت همچنین می‌تواند به رفع قفل فروشنده کمک کند فیگل گفت -ins. طبق گزارش تحقیقاتی LogDNA، بیش از نیمی از متخصصان مورد بررسی گفتند که شرکت‌ها نمی‌توانند ابزارهای مورد نظر خود را به دلیل قفل شدن فروشنده اجرا کنند.

قیمت و در دسترس بودن

قابلیت‌های جدید ML، که به طور کلی در دسترس هستند، بدون هزینه اضافی در پلتفرم New Relic One با سقف ۱۰۰ گیگابایت در ماه ارائه می‌شوند. با این حال، فیگل گفت که سیستم جدید به زودی از یک مدل قیمت گذاری مصرف پیروی خواهد کرد.

برخی از رقبای New Relic شامل شرکت‌هایی مانند Sumo Logic، AppDynamics، Dynatrace، ManageEngine و Microsoft Azure Application Insights هستند.