使用 AIOps 自动化异常检测并加速根本原因分析
以规模化的方式使用和处理大型可观测性数据集，以快速锁定对业务最相关的信息。Elastic 可观测性利用上下文感知的生成式 AI 和高级机器学习来减少劳动密集型故障排除并简化分类活动，以便团队可以专注于创新和未来的转型。
为 SRE 提供 AI 驱动的洞察力
将生成式 AI 与 Elastic 可观测性和高级机器学习相结合，以基于您的专有数据和运行手册提供上下文感知的交互式聊天体验。Elastic AI 助手可以帮助您解释日志消息和错误，提供最佳代码效率建议，编写报告，甚至帮助识别和执行运行手册。实现更快的故障排除，提高协作，解锁知识孤岛，并赋能所有用户，使团队能够专注于构建更好的软件。
主动检测异常值和趋势
将监督和无监督机器学习应用于任何类型的日志、跟踪、事件或指标数据，无论是业务数据还是运营数据。使用特定于领域的强大功能检测异常值和异常情况，预测趋势，发现模式，对日志进行分类等等。从广泛的开放库中选择可定制的开箱即用 ML 模型，或构建、测试和部署您自己的模型。自动显示版本之间的回归，并在快速变化的基于微服务的云原生环境中识别对应用程序或基础设施更改的下游影响。
释放数据的全部潜力
使用既高效又可扩展的机器学习引擎，在几分钟内从 PB 级可观测性数据中提取答案。通过 100 多个针对常见用例的预配置模型、易于使用的基于向导的工作流程来简化自定义，以及集成的數據探索工具，为组织中的非数据科学家（如 SRE 团队和业务用户）实现 ML 和分析的民主化。开放的 ML 模型让精通的用户能够灵活地“查看引擎盖下”并根据需要进行自定义。
加速故障排除
自动显示应用程序和基础设施数据集的属性，这些属性与高延迟或错误事务相关，并且对整体服务性能影响最大。基于机器学习的相关性可以查明可观测性数据中的“未知的未知”，帮助更快地找到根本原因。通过将数百万行非结构化日志数据自动分类为几个类别，快速分析和采取行动。使用自动异常检测来识别问题，例如日志中的非典型模式、服务降级、日志速率峰值、异常事务活动或资源利用率激增。
使用您的工作流程和事件管理简化警报
当检测到满足特定条件的异常时，接收上下文警报通知。通过在 Elastic 可观测性中直接打开和跟踪服务问题，启动一个案例以开始事件管理流程。通过使用 PagerDuty、ServiceNow、Jira、Microsoft Teams、Slack 和电子邮件的内置集成，将您的警报连接到操作。利用 Elastic Stack 中强大的 Webhook 输出，让您能够与组织中重要的其他第三方系统建立联系，并与团队的工作流程集成。
使用全栈可观测性解决方案现代化技术运营
在单个堆栈中以规模化的方式统一您的日志、指标和 APM 跟踪。
