ჩვენი მცირე Incident Support გუნდი (მათოდ 6 სპეციალისტები) ორი მეტრიკები მნიშვნელოვანია: და . speed of detection accuracy of diagnosis ჩვენ მიიღებთ კვლევები მილიონი მომხმარებელს მთელი როდესაც მომხმარებლის შემთხვევაში მოდის, ერთ-ერთი ძირითადი ინსტრუმენტები, რომ ჩვენ დააყენებთ - სხვა - არის . 48 countries Kibana იმის გამო, რომ ჩვენი სისტემის მრავალფუნქციური ბუნება (მკრო მომსახურება, ადგილობრივი რეგულარული სპეციფიკაციები, A / B ექსპერიმენტები და სხვა), ჩვენ ხშირად ეძებთ ანალიზი მომხმარებლის დაკავშირებული მოვლენები ლოგებში. ჰაერები in a haystack მიუხედავად იმისა, რომ გამოცდილი პროფესიონალი, ეს იღებს დრო, რათა: 
 
 
 
 გაითვალისწინეთ, რაც ნამდვილად მოხდა, სარეცხი სარეცხი სარეცხი სარეცხი სარეცხი, კავშირი ტექნიკური მოვლენები რეალური მომხმარებლის გამოცდილება. როგორც წესი, ამ ტიპის ანალიზი იღებს , და შეუზღუდავი სიტუაციებში, ეს შეიძლება მიიღოს ძალიან ხანგრძლივი. at least 15 minutes per case მე გსურთ, რომ ლოგები წაიკითხოთ როგორც a არ არის, როგორც Raw Event Dump. story Yes - ეს არის ვიდრე a . not a replacement for an engineer Thinking Accelerator - სინამდვილე იდეა ავტომატიზაცია აშენდა ეს შეიცავს რამდენიმე ინსტრუმენტებს: n8n 
 
 
 
 Slack Kibana (შვეობით clarvoyance) LLM (Large Language Model - დიდი ენის მოდელი) და შეიცვალა მარტივი, პრაქტიკული სამუშაო გზა მხარდაჭერა სპეციალისტები. როგორ მუშაობს 
 
 
 
 
 
 
 
 
 
 განთავსებული Slack Channel შექმნილია. პროფესიონალი გადაცემა მომხმარებლის UID- ს kanaali - მხოლოდ ნომერი. ავტომატაცია მოკლე UID და გაგზავნა მოთხოვნა Clairvoyance Kibana გამოყენებით წინასწარ განმარტებული ფილტრები. ყველა მომხმარებლის საქმიანობის ლოგები ბოლო 6 საათის განმავლობაში იღებენ. If no logs are found, a clear “no activity found” message is posted in the Slack thread. If logs exist, they are processed:
 
 
 
 
 
 
 empty entries are removed, duplicates are eliminated, data is structured and normalized, everything is bundled into a single dataset. სრული ლოგის პაკეტი გადაცემა LLM- ს ერთად მორგებული შეტყობინება, რომელიც განკუთვნილია ჩვენი გუნდის საჭიროებებს. LLM შეამოწმოთ მოვლენებს და გადაიხადოს ინდივიდუალური შეტყობინება (დაახლოებით 600 სიტყვები). პასუხი გამოქვეყნდა უკან საწყისი Slack thread დაახლოებით 2 წუთი შემდეგ მოთხოვნა. დასაწყისში ამ მილის გაფართოება იყო , რომელიც დიდი ნაწილი გადაიხადოს სწორი კონფიგურაციის ქსელის (დაწვრილებით Slack- ისთვის - მე გააკეთა ეს later). 30 hours ჩვენ ვფიქრობ, რომ აქტიური გამოყენებით, ეს ავტომატაცია შეინარჩუნებს გუნდი . up to 60 hours per month რა არის ნამდვილად პასუხი LLM? პასუხი ყოველთვის სტრუქტურული და პასუხი ძალიან კონკრეტული კითხვები: 
 
 
 
 
 
 რა შეცდომები აღმოაჩინეს? პოპულარული (გორმალური) მოვლენების შეფასება როგორ შეცდომები შეიძლება გავლენოთ მომხმარებლის სამუშაო გზა რა თქმა უნდა, იმ შემთხვევაში, თუ პრობლემები ხდება (Time Stamps) რა ფუნქციები უნდა გააკეთოს სპეციალისტები როგორც წესი, ჩვენ არ ვხედავთ მხოლოდ მაგრამ რეალური : რა გაკეთდა მომხმარებლის, სადაც ისინი შეხვდა პრობლემა, და თუ რა მნიშვნელოვანია. “HTTP 400 on Endpoint X” context და რა თქმა უნდა - . no sensitive data is ever sent to the LLM ძირითადი მიზნები ავტომატიზაციის Humanizing Log Reading- ის განხორციელება Kibana არის ძლიერი ინსტრუმენტი, მაგრამ წაიკითხეთ ლოგები თქვენი თვალები არის შეუზღუდავი და კუნთალური ღირებულება - განსაკუთრებით როდესაც მოვლენები გაფართოებულია დროს და მრავალფეროვანი მომსახურება. გსურთ, რომ ეს პროდუქტი გამოიყურება, როგორც a არ არის ტექნიკური დისკები. clear explanation 2. შეამციროს ანალიზი დრო Before automation: 
 
 15+ წუთი მომხმარებლის შემთხვევაში After automation: 
 
 1–2 წუთი (გამოწმოთ UID → მიიღეთ შეტყობინება) ეს განსაკუთრებით მნიშვნელოვანია სიჩქარით და სიჩქარით. 3. საშუალებას გაძლევთ დეტალური ანალიზი ავტომატაცია არ არის მხოლოდ დრო გადაიხადოს - ეს საშუალებას გაძლევთ: 
 
 
 
 
 სწრაფად იპოვოთ სისტემური პრობლემები, აღსანიშნავია აღსანიშნავებელი შეცდომები მომხმარებელს, გაუმჯობესოს სპეციალისტების უნარებს ახალი პრობლემების სფეროების აღსანიშნავებით, უკეთესი ცოდნა, თუ როგორ გამოიყენება პროგრამა რეალური მსოფლიოში. საბოლოოდ, ეს მიმოხილვა მნიშვნელოვანია შეამციროს პროგრამული უზრუნველყოფის დრო, რომელიც შეამოწმებულია მხოლოდ მომხმარებლის გამოცდილება. თითოეული შემთხვევაში შეიცავს სტრუქტურული ანალიზი, რომელიც მხარს უჭერს კონკრეტული ლოგის მოვლენები. ვინ არის ეს ინსტრუმენტი? მთავარი : 
 
 
 
 სპეციალისტების მხარდაჭერა, ინჟინერები, რომლებიც მუშაობენ მომხმარებლის საგანგებო incidents, გუნდი, რომელიც უნდა სწრაფად გაიგოთ, “არ არაფერი გაკეთდა” გარეშე დაუყოვნებლივ შევიდა Kibana. ეს არის საბოლოო ვერსია? ეს არის a ახლა A დასაწყისში დასაწყისში დასაწყისში დასაწყისში . living tool Silent ტესტირება ფაზა 2026 ტესტირების დროს : 
 
 
 
 სწრაფად გააუმჯობესება, სხვადასხვა LLMs და მოდელი ვერსია შედარებით, Filtering Logic და Response Templates გაუმჯობესდა. ამჟამად, ავტომატაცია უკვე შეესაბამება მისი ძირითადი მიზანი: . making logs understandable and saving time Pipeline სტრუქტურა Trigger სინათლის სინათლის სინათლის სინათლის სინათლის სინათლის სინათლის ( ) : Slack Trigger 
 
 
 მოვლენების ტიპი: ახალი შეტყობინება გამოქვეყნდა Channel- ში Input: მომხმარებლის UID გამოგზავნილია როგორც ჩვეულებრივი ტექსტი მონაცემთა მომზადება შეტყობინების მონაცემები ექსპერიმენტი და გადამცემა გამოყენებით საჭირო JSON ფორმატში: Set nodes 
 
 
 Upper Branch: UID (ან ნომერი) ქვედა ფართობი: thread context (Channel ID და thread timestamp) რეიტინგი გაგზავნა კაბინაში ( ) გამოყენება Indicator სინამდვილეში. Elasticsearch / Get Many traces-main Logs იძლევა რეგულარული დროის ფანჯარა. user_id კონფიდენციალურობის Logic ან შეამოწმეთ, თუ არ არსებობს მოვლენები: IF node 
 
 
 
 
 No events: 
 
 
 Data is merged with the thread context A predefined “NO EVENTS” message is posted to Slack 
 
 Events found: 
 
 
 Logs are aggregated, minimized, and normalized Data is sent to the LLM for analysis Reply მიწოდება LLM output შეესაბამება Slack thread კონტაქტი და გამოქვეყნდა, როგორც პასუხი ორიგინალური thread. Node დეტალები Slack Trigger მოწყობილობა მოითხოვს წინასწარ კონფიგურაცია Slack საკრედიტოები და Channel ID (მაგთავაზობთ მეშვეობით ეს არის Slack). Open Channel დეტალები დასაწყისში გამოიყენება input მონაცემების ექსტრაქტი და სტანდარტაცია: 
 
 
 შეტყობინების ტექსტი, როგორც ნომერი thread data:
 
 
 
 
 channel  → original message timestamp thread_ts Elasticsearch ნომერი მოითხოვს Kibana საკრედიდენტიფიკატები და ინდუსტრიის ID (დაპყრობდა ). Index მართვა ძირითადი კონფიგურაცია : 
 
 
 შეზღუდვა: 1000 ელემენტები (ჩვეულებრივ, მაღალი ღირებულება იწვევს Gateway timeouts) Query:
 
 
 
 
 
 
 time range:  now-6h filter by  user_id limited source fields last 1000 events კოდი Node (Minimizer) LLM ანალიზი: 
 
 
 
 
 
 
 
 
 ნორმალური ფართობი ( დრო, შინაარსი) პოტენციური PII (ტვირთვა / ელ - მაშინაც კი, თუ არ არსებობს, როგორც დამატებითი დაცვა), დიდი ხარისხის ღირებულება, გააუმჯობესებს ფართო ფართობი, ამჟამად ამჟამად მოვლენები, შემდგომი მოვლენები, როგორიცაა სინათლის სტატისტიკა (HTTP კოდი, Endpoints) შეიმუშავებს კომპიუტერული შეტყობინება, რომელიც შეიცავს ყველაზე 500 შეტყობინებები და მკაცრი ხანგრძლივობის ლიმიტი. ეს მნიშვნელოვანია, რათა თავიდან ავიცილოთ დიდი, token-drop payloads LLM. OpenAI Node (Message a Model) მობილური მოდელი მოითხოვს OpenAI საკრედიდიტაციები და მოდელი არჩევანი (ჩვეულებრივ ტესტირების დროს ) GPT-4.1-Mini კონფიგურაცია განკუთვნილია პრაქტიკაში a : second-line technical support specialist 
 
 
 
 
 
 
 პირველი აირჩიეთ მომხმარებელს (ჩავარა / მგზავრი / კურსიერი), შეამოწმეთ ტექნიკური შეცდომები, თუ არ არსებობს შეცდომები, შეამოწმოთ ბიზნეს სტრუქტურა (documents, banners, profile status), შემუშავება სტრატეგიული შეტყობინება, რომელიც შეიცავს სიტყვები, კონფიდენციალურობის მოთხოვნები და საბოლოო დროები, ტექნიკური ანალიზი, რომელიც განსხვავდება მომხმარებლის ეფექტი. ეს სტრუქტურა აწარმოებს Raw Logs in . clear, actionable insights Example output ხელმისაწვდომია ქვემოთ: ბოლო მიმოხილვა ეს ავტომატაცია არ შეცვალოს ინჟინერებს – ეს საშუალებას იძლევა მათ უფრო სწრაფად ფიქრობენ. მშრალი ლოგები სწრაფი, სტრუქტურული სტრუქტურა, გუნდი შეამციროს კბილური დატვირთვა და გააუმჯობესებს incidents ანალიზი გარეშე დაკარგვა კონტაქტი. მეშვეობით ინსტრუმენტები, როგორიცაა n8n და თანამედროვე LLMs, მაშინაც კი მცირე გუნდი შეუძლიათ შექმნათ პრაქტიკული, ადამიანის მეგობრული შეამოწმება ფართობი. ძირითადად არ არის მეტი მონაცემები - ეს ხელს უწყობს სისტემები გააჩნია.

This story contains new, firsthand information uncovered by the writer.

inDrive.Tech

ეს აუდიო დამზადებულია სიუჟეტის ორიგინალურ ენაზე!

როგორ შექმნათ n8n ავტომატაცია Kibana Logs და ანალიზი მათ ერთად LLM

About Author

კომენტარები

დაკიდეთ ტეგები

ეს სტატია იყო წარმოდგენილი

Related Stories

Karma: Love on the Blockchain and the Gamification of Helping Others

dYdX Unveiled: The Revolutionary Platform Changing the Face of Decentralized Trading

Media Moves: Katy Koob Joins Dastan to Drive Decentralized Growth

Unhinged and Overstrained: The Mind of a Harassed Woman

Karma: Love on the Blockchain and the Gamification of Helping Others

dYdX Unveiled: The Revolutionary Platform Changing the Face of Decentralized Trading

Media Moves: Katy Koob Joins Dastan to Drive Decentralized Growth

Unhinged and Overstrained: The Mind of a Harassed Woman

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps