云原生可观测性在人工智能和机器学习中的应用是什么

一、在人工智能中的应用

1. 全链路实时观测、告警与诊断

例如阿里云发布的全新AI原生全栈可观测平台，首次实现了云上AI大模型从训练到推理再到应用的全链路实时观测、告警与诊断。这有助于及时发现AI模型在各个环节可能出现的问题，如训练过程中的数据偏差、推理时的性能瓶颈等，从而保障AI系统的稳定运行。

2. 异常检测、根因分析和容量预测

基于人工智能与可观测性技术体系的融合应用，像萨摩耶云通过异常检测、回归、关联等算法进行异常分析、根因分析、容量预测，进一步保障系统的稳定。在AI系统中，这可以帮助快速定位异常的源头，预测系统的承载能力，为系统的优化和扩展提供依据。

3. 消除开发者插桩负担并提供监控及诊断能力

如使用DeepFlow，可以让云原生及AI应用自动具有深度可观测性，消除开发者不断插桩的沉重负担，并为DevOps/SRE团队提供从代码到基础设施的监控及诊断能力。这使得开发人员能够更专注于AI模型的开发，而不是花费大量精力在数据采集和监控设置上。

二、在机器学习中的应用

1. 提高风险检测性能和提升安全事件处理能力

云原生可观测性技术在故障分析、日志审计、监控、追踪溯源、检测分析等多个安全场景中，能够提高风险检测性能、提升对安全事件的处理能力。在机器学习系统中，这有助于保护数据的安全性和模型的稳定性，防止数据泄露、恶意攻击等安全问题。

2. 实现对业务系统的智能可观测

以阿里云日志服务SLS为核心，基于其一站式的数据采集加工查询分析可视化告警能力，并结合大数据与机器学习，为用户实现对业务系统的智能可观测。这可以帮助机器学习系统更好地理解业务数据，优化模型性能，提高业务决策的准确性。