Аналитика Telegram-канала
Подписчики
4 831
Публикаций
7 528
Динамика подписчиков
7 дней
30 дней
6 месяцев
Больше
16 ноя19 ноя22 ноя
Показаны последние 7 дней
Больше истории →
Охваты публикаций
08.1110.1110.1110.1111.1111.11
257
Средний охват
553
Лучший результат
Показаны 6 публикаций — последние в канале
Больше статистики →
Упоминания
84
Упоминаний
52
Из них репостов
30
Каналов
44
Упоминаний за 90 дней
43
Из них репостов
21
Каналов за 90 дней
Последние посты
3 из 7 528 2 из 7 528Когда ты уже станешь настоящим DevOps?
Открываешь вакансию: Linux, Docker, Kubernetes, CI/CD, сети…
Закрываешь вакансию.
Полгода учишься и всё ещё не понимаешь: «А меня уже возьмут?»
Проверь это в бесплатном тесте Pigeon Careers.
За 4–5 минут узнаешь:
✅ что уже знаешь
✅ где пробелы
✅ что учить дальше
✅ сколько примерно осталось до первой работы
Можно также сравнить DevOps с аналитикой и Python.
Без покупки курса и многочасовых лекций.
Кстати, Pigeon Careers помогли устроиться 20+ ребятам за последний год. Средний оффер — 245к.
Пройти тест: @test
ещё
163
1
11 ноя, 17:47
Как превратить Python-скрипт на VPS в нормальный сервис
nohup, screen и надежда на то, что скрипт никогда не упадёт, — не лучший вариант для эксплуатации. В этой статье рассказывается, как организовать запуск небольших Python-приложений средствами самого Linux — без Docker, Supervisor и отдельной системы мониторинга.
В статье разобраны:
🚀 запуск и автоматический перезапуск через systemd;
🚀 хранение секретов и ограничение прав процесса;
🚀 сбор и ротация логов с помощью journald;
уведомления о сбоях в Telegram вместе с фрагментом журнала;
🚀 запуск задач по расписанию через systemd timers вместо cron.
Читать на Хабре
@usr_bin_linux
ещё
420
8
11 ноя, 12:45
Видели ли вы, какую чушь можно достать из логов, пропустив их через ИИ?
Привет, киты 🐋!
Если вы уже пробовали подключать MCP и анализировать логи в поиске корреляций, то для вас не будет открытием, что плохие логи ИИ понимает точно так же плохо, как и люди.
Когда ваше приложение в контексте логов именовано "я-сервис-в-продовой-среде-1", а в метриках "я-сервис", то ИИ начнет додумывать.
Большинство LLM учили через поощрение, потому они научены хорошо угадывать и будут пытаться это сделать, даже если реальных данных нет.
Качество данных играет ключевую роль. Но что вообще такое "качественные данные" для ИИ в Observability?
Качественные данные - это сигнал, обладающий следующими внутренними свойствами:
- Структурированность: строгая схема хранения, предсказуемые типы и названия полей
- Консистентность: идентичная идентификация сущности во всех сигналах
- Контекстность: наличие resource-атрибутов, привязка к бизнес-домену
- Чистота: отсутствие мусора, корректное агрегирование повторяющихся событий
В сигналах надежности, как и у человека, так и ИИ, должен быть надежный способ идентификации источника сигналов. Чтобы все понимали - это вот то самое "оно".
Я составил небольшой чеклист, как проверить, что ваши системы Observability готовы к работе с ИИ, на основе опыта эксплуатации системы c ClickStack + ClickStack MCP.
AI-Ready Observability Checklist
Помогает понять, готова ли ваша инфраструктура наблюдаемости к ИИ-аналитике.
- [ ] Единая идентификация: сервис называется одинаково в логах, метриках и трейсах. Никаких расхождений
- [ ] Структурированность в хранилище: логи сохраняются по единой, известной ИИ структуре, даже если в источнике они были неструктурированным текстом
- [ ] Семантичность: имена полей в логах, имена в метриках, атрибуты спанов хорошо известны ИИ (например, OpenTelemetry SemConv + наш внутренний словарь "что есть что")
- [ ] Коррелируемость: сигналы наблюдаемости (логи, метрики, трейсы) могут быть связаны хотя бы по одному ключу (trace_id, request_id, correlation_id или комбинация service_name + временное окно)
- [ ] Единый стандарт уровней: все уровни логирования приведены к стандарту OpenTelemetry (DEBUG/INFO/WARN/ERROR/FATAL)
Главная проблема для ИИ не в вычислении, а в двусмысленности, когда один сервис шлет level: 3, а другой severity: "err". Четкий маппинг в стандартные строки (INFO/WARN/ERROR) устраняет эту неопределенность
- [ ] Дедупликация с сохранением счетчиков: повторяющиеся события агрегированы с сохранением счетчика (count), чтобы ИИ видел аномалии частоты, не расходуя контекстное окно на тысячи одинаковых строк
- [ ] Семантическое разделение: бизнес-события (например, payment_failed) и технические ошибки имеют разные теги или поля (например, event.domain).
Это позволяет ИИ строить причинно-следственные связи, а не галлюцинировать о влиянии стек-трейса на выручку
- [ ] Resource-атрибуты: каждый лог содержит контекст окружения, хоста, версии приложения (например, из OpenTelemetry SemConv)
Все пункты критичны.
Качество данных для ИИ - это не шкала от 1 до 10, а цепочка. Если выпадает одно критическое звено (например, нет способа корреляции или имена полей непонятные),
механизм автоматической корреляции рушится. В этот момент ИИ перестает анализировать и начинает галлюцинировать, а вы платите за токены впустую.
Какой из этих пунктов у вас сейчас вызывает наибольшую боль при подготовке данных для ИИ-аналитики?
И сталкивались ли вы с тем, что ИИ начинал додумывать из-за несогласованности имен полей логов?
#SRE #observability #ИИ #AI #DataQuality #ClickHouse #MCP #логи
ещё
95
4
10 ноя, 19:09
Похожие Telegram-каналы
Технологический Болт Генона
DevOps&SRE Library
DevOps Deflope News
Продолжить анализ этого канала
- История роста подписчиков
- Просмотры и охваты публикаций
- Кто упоминает канал и кого упоминает он
- Похожие каналы и подбор для рекламы
Открыть аналитику
Демо до 14 дней