La startup d'observabilité basée sur l'intelligence artificielle, Sazabi Inc., sort cette semaine du mode furtif avec une plate-forme qui défie les approches de surveillance conventionnelles en se concentrant exclusivement sur les données de journal et en utilisant des agents d'IA pour automatiser l'analyse.
L'entreprise positionne sa technologie comme une rupture avec les piles d'observabilité traditionnelles qui reposent sur une combinaison de journaux, de métriques et de traces. Sazabi affirme plutôt que les progrès de l’IA permettent d’extraire toutes les informations opérationnelles nécessaires à partir des seuls journaux, réduisant ainsi la complexité et les coûts de stockage.
« Fondamentalement, les journaux ne sont que des événements, les mesures sont des événements agrégés et les traces sont essentiellement des événements corrélés », a déclaré le fondateur Sherwood Callaway, dont les entreprises précédentes incluent la société de logiciels financiers Brex LLC et la plateforme d'automatisation des appels téléphoniques Opkit Inc. « Nous n'acceptons que les journaux et nous créons des mesures et des traces à partir de ces journaux sur le back-end. »
Callaway a déclaré que l'approche est ancrée dans sa propre expérience pratique du débogage des systèmes de production, où les journaux sont souvent la première source consultée par les ingénieurs. Il a décrit les enregistrements comme « le type de télémétrie le plus intuitif à utiliser » et « le rasoir d’observabilité d’Occam ».
Approche plus simple
La plate-forme de la société, dont la livraison est prévue d'ici la fin de l'année, est conçue pour simplifier l'observabilité en réduisant le besoin d'instruments et de pipelines de données complexes. Plutôt que de demander aux équipes de configurer plusieurs systèmes de surveillance, Sazabi collecte les données des journaux et utilise l'IA pour les interpréter à grande échelle.
Cette approche « réduit la complexité autour de l’instrumentation et la complexité de notre pipeline de données et de notre infrastructure de stockage », a déclaré Callaway.
Au cœur de la plateforme se trouve un agent IA qui analyse en permanence les flux de journaux, identifie les anomalies et détermine si les problèmes méritent une attention particulière. Le système génère également automatiquement des alertes basées sur des modèles historiques.
« Nous avons notre agent qui fonctionne à perpétuité en arrière-plan, recherchant les anomalies, les enquêtant et décidant si elles méritent votre attention », a déclaré Callaway.
Les agents contrôlent la manière dont les alertes sont générées et acheminées, notamment les informations incluses et qui reçoit la notification. Le résultat est moins d'alertes avec une plus grande pertinence, a déclaré Callaway. « Cela entraîne beaucoup moins d’alertes, des alertes dont le signal est beaucoup plus élevé et qui sont beaucoup plus exploitables », a-t-il déclaré.
Sazabi propose également une interface conversationnelle qui permet aux ingénieurs d'interroger les systèmes de production en utilisant un langage naturel plutôt que de naviguer dans des tableaux de bord. Le système peut répondre à des questions telles que « pourquoi la production est-elle en baisse ? » ou « quel commit est responsable? » et renvoie des résultats basés sur une analyse de données en temps réel.
« Vous pouvez identifier en quelques secondes ce qui nécessiterait généralement des minutes ou des heures de recherche sur différents écrans dans un outil traditionnel », a déclaré Callaway.
L'architecture sous-jacente combine l'ingestion de journaux avec une couche de stockage et de requête optimisée pour les charges de travail d'IA. Sazabi utilise des vues matérialisées et des représentations de données résumées pour réduire la quantité d'informations que le système doit analyser.
Données récapitulatives
« Nous pouvons prendre une heure de données de journal et les résumer dans un package beaucoup plus petit en utilisant des modèles de langage », a déclaré Callaway. « Il suffit d'interroger le résumé. »
L'IA améliore l'efficacité du stockage en déterminant quelles données doivent être conservées, résumées ou déplacées vers des niveaux de stockage moins coûteux.
Sazabi cible les entreprises technologiques en phase de démarrage et de croissance plutôt que les grandes entreprises, ce qui reflète l'expérience de Callaway dans les environnements de startup et le fait que la plupart des entreprises disposent déjà de plusieurs plates-formes d'observabilité.
La plateforme est conçue pour s'intégrer aux outils d'observabilité existants, permettant aux clients de l'adopter sans remplacer leur infrastructure actuelle. « Changez simplement le point de terminaison et nous recevrons des journaux », a déclaré Callaway.
Alors que les fournisseurs historiques ajoutent tous des fonctionnalités d'IA à leurs suites d'observabilité, Callaway a fait valoir que la transition vers le développement de logiciels basés sur l'IA nécessitera des modèles d'observabilité fondamentalement nouveaux.
« Il sera très difficile pour les fournisseurs historiques ou historiques de réorganiser complètement leurs produits », a-t-il déclaré.
Sazabi n'a pas divulgué d'informations détaillées sur le financement, mais a confirmé qu'elle était en train de lever des capitaux d'amorçage.
