AIエージェントは「会話」で観測する──Grafana Labsが示すAI時代のオブザーバビリティ

自然言語で問いかけ、エージェントが原因を探る

　4つ目の柱は、AIエージェントを活用したオブザーバビリティだ。人間が理解できる規模を超えた現代のシステムに対し、大量の雑多なデータからパターンを見つけるのが得意なLLMを働かせるのがエージェントの役割だ。

　その入り口がGrafana Assistantだ。どのダッシュボードを開けばよいのか、PromQLやLogQLをどう書けばよいのかを知らなくても、「なぜ今日はチェックアウトが昨日より遅いのか」「このサービスのダッシュボードを作って」と英語や日本語で尋ねれば、Assistantがクエリを書いて実行し、可視化まで行う。ダッシュボードは、探すものから必要なときに生成するものになるという。

　インシデント対応では「Assistant Investigations」が、複数のエージェントを連携させて調査を進める。エージェントが証拠を探索して仮説を立て、それぞれをデータに照らして検証し、根拠となるテレメトリーとともに根本原因のレポートを返す。ウッズ氏はこれを、優れたSREがたどるワークフローを並列に、機械の速度で実行するものだと説明した。アラートと連携させれば、アラートの発火と同時に調査を始められる。すべての調査には、実行したクエリと結論の完全なログが残り、人間が検証できる。

Grafana Assistant、Assistant Investigations、Assistant Watchers

　エージェントの調査精度を支えるのが、Grafana Cloud内の「Knowledge Graph」だ。テレメトリーや接続されたデータソースをスキャンし、クラウドインフラ、ランタイム、データベース、アプリケーションと、それらのつながりを自動かつ継続的に把握する。同社の本番環境でのテストでは、インシデントを調査するエージェントがKnowledge Graphのコンテキストを使うことで、同じ答えにたどり着くまでのトークンが25％減ったという。

ロールバックのPRは、エンジニアが席に着く前に終わる

　ウッズ氏は今後の方向性として、エージェントが本番環境の運用まで担うことを挙げた。AIはすでにコードを書くのが得意だが、そのコードを本番環境に投入し、改善を繰り返すところにボトルネックがある。エージェントが問題の理解に使うのと同じ証拠を使えば、変更を提案し、定められた範囲内で適用し、結果を検証できる。このフィードバックループを閉じることで、変更をデプロイするスピードが大きく上がると考えている。

エージェント型運用：ソフトウェアの理解から運用まで

　ただし、エージェントに本番環境の変更を完全に任せられる段階にはまだないとして、人間がループの中にとどまることの重要性を強調した。

　「人間のオペレーターも、時にミスをすることがわかっているので、ほとんどの組織にはすでに何らかのガードレールがあります。明らかな違いは、AIは人間よりはるかに速く、より大きな影響を伴うミスをし得るということです」

　現時点の取り組みとして紹介されたのが、同社内での事例だ。Assistant Investigationsで問題の根本原因を探り、原因が新しいリリースだった場合には、Assistantが前のリリースへロールバックするためのPRを自動で作成する。呼び出しを受けたオンコールのエンジニアがコンピューターの前に座るころには、PRはレビューとマージを待つだけの状態になっており、顧客への影響を大きく減らせるという。

　質疑応答で、システム開発を外部に委託することが多い日本市場でのパートナー戦略について問われると、ウッズ氏は、パートナーの重要性は他のアジア太平洋地域と変わらないとしたうえで、こう語った。

　「製品に搭載しているAIの機能によって、技術者ではないユーザーでも、収集されたデータから価値を引き出すことがずっと簡単になってきています」