Kubernetes為終端使用者的體驗帶來了切實的改進，而終端使用者的體驗可以轉化為強大的業務成果。但是要想從Kubernetes獲得最大的價值需要克服今天在IT環境中不斷增加的複雜性。
AI驅動的全棧可觀測性是任何現代企業IT團隊的必需，可以瞭解Kubernetes如何利用資源，部署的容器如何隨著工作負載的變化而運作，以及如何相應地最佳化配置和效能。
用AI驅動Kubernetes的全棧可觀測性
AI對Kubernetes同樣重要，特別是隨著容器的採用率持續飆升。根據最近對CIO的調查，68%的組織已經在使用容器，其中86%的組織預計在未來12個月內部署容器。
隨著Kubernetes和容器所涉及的越來越廣泛，IT團隊需要武裝自己，以確保這些動態環境真正為他們工作。這意味著能夠從技術堆疊中獲得精確的效能降級洞察。這還意味著利用這些洞察，在問題影響終端使用者之前，快速確定並糾正問題背後的根本原因。解決這些問題的速度越快，對使用者體驗和任何相關的業務成果就越好。
AI可以提供這些目前嚴重缺失的能力。具體來說，一個可以接收Kubernetes事件和指標（如工作負載更改、狀態更改和其他關鍵事件）的AI引擎，能更好地理解跨Kubernetes堆疊之間存在的依賴關係和關係（在叢集、容器、服務網格和執行在它們內部的工作負載之間）。正確實施，高保真的全棧可觀測性可以幫助組織消除複雜性問題，並使用Kubernetes來驅動數字化轉型和提升使用者體驗。
可觀測性始於在Kubernetes環境中構建監控
不過，當我們討論Kubernetes的全棧可觀測性時，我們必須討論監控——特別是，為Kubernetes環境提供作為內建功能的監視。
想想這些環境中技術的多樣性。在Kubernetes叢集中部署容器的不同開發團隊可能會將自己的工具引入。叢集越大，你就會看到越多的應用程式在各種不同的技術上執行，比如JAVA、。net、Node、Go等。當你擁有這些多樣化的技術時，你還可以讓團隊引入自己喜歡的監控工具。
AI本身無法解決整個堆疊的可觀測性問題，因為AI演算法依賴於它們接收的資料型別。因此，使用自己的工具進行監控的IT團隊將向AI提供質量不同的不一致資料。
不一致的資料會降低AI的效率——這就是“垃圾輸入，垃圾輸出”的難題。關鍵的是，在Kubernetes叢集中構建一個單獨的監控工具作為自助服務功能，它既支援開發人員部署的各種技術，又為AI提供了一個質量資料的基準級別——資料承載了開發人員所需的詳細級別以及IT管理員所需的系統和事件監控級別。
管理Kubernetes環境的清單
AI的可觀測性為企業提供了一系列新的能力，以更好地部署和管理其Kubernetes環境，並在生產中正確擴充套件Kubernetes應用程式和微服務。其中包括：
——從Kubernetes控制平面以及所有部署的容器訪問日誌。
——分析容器資源使用情況並深入研究當前工作中的容器執行時。
——發現、檢測和對映在Kubernetes環境中執行的容器技術。
——使應用程式所有者能夠更快地識別和糾正效能下降和可擴充套件性瓶頸。
——最佳化資源管理和配置。
這是你的Kubernetes清單。如果你不能實現或支援這些功能，那麼你就無法充分利用Kubernetes所提供的功能。更重要的是，你很可能面臨環境中的複雜性和混亂，而這會嚴重影響使用者體驗和提升使用者體驗的能力。
不過，透過將確定性AI模型作為技術堆疊的一部分，這個清單上的所有專案都可以新增到Kubernetes工具箱中。一個能夠接收Kubernetes指標和事件的AI引擎可以驅動新的可觀察性級別，以及基於這些洞察所採取的行動。這比傳統的指標、儀表板或手動IT支援可做的多得多，現代企業雲和容器化環境的發展已經超出了這些遺留解決方案的能力範圍。
AI讓你真正享受Kubernetes
現代IT組織經常發現自己陷入困境。一方面，Kubernetes為這些組織提供了一條在當今更加動態、基於雲的環境中編排工作負載的途徑。另一方面，擁抱Kubernetes和用更靈活和動態的方式來管理IT工作負載意味著新的複雜性。這種複雜性使得理解在技術堆疊中實際發生了什麼更難，包括應用程式和微服務之間的相互依賴關係、診斷和解決影響使用者體驗的效能退化背後的根本原因。
AI可以讓IT團隊把這兩個方面串起來，在Kubernetes平臺、容器和工作負載中構建全棧可觀測性，並幫助組織從大規模環境中獲得更智慧、更精確的答案。對於當今的企業IT來說，數字化轉型意味著多雲架構和混合雲架構，意味著變得更加靈活，意味著用更加動態的微服務和容器化的應用程式替換舊的單體架構。但這並不意味著更復雜。將Kubernetes與AI結合起來，利用Kubernetes事件和指標，獲得全面的全棧可觀測性，正是錦上添花。
