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
Все упоминания

Последние посты

3 из 7 528 2 из 7 528
Когда 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
Больше постов

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