Бидний жижиг Incident Support баг (хэвч 6 мэргэжилтнүүд), хоёр метрик нь маш чухал юм: Нөхцөл . speed of detection accuracy of diagnosis Бид дэлхий даяар миллионы хэрэглэгчидээс хэрэглэгддэг Бидний бизнесийн үйл ажиллагаа явуулж байгаа газар. Хэрэглэгчийн тохиолдолд бидний үндсэн хэрэгслүүдийн нэг нь - бусад нь - . 48 countries Kibana Бидний системийн олон тооны байгалийн (микро үйлчилгээ, орон нутгийн хяналтын тодорхойлолт, A / B туршилт, гэх мэт), бид ихэвчлэн хайж байна Logs-д хэрэглэгчийн холбоотой үйл явдлын анализ. Хайрцаг нь хавтан Үүнээс гадна туршлагатай мэргэжилтнүүдийн хувьд энэ нь: 
 
 
 
 Үнэндээ юу гэж бодож байна, Үнэгүй асуудалээс шуудангийн тусгаарлах, Техникийн үйл явдлыг бодит хэрэглэгчдийн туршлагатай холбох. Өнгөрсөн үед, энэ төрлийн анализ , , амбициоз тохиолдолд, энэ нь илүү урт байх болно. at least 15 minutes per case Би хайж байна logs гэж унших , Raw Event Dump шиг биш. story Тэгээд да - энэ нь , гэхдээ а . not a replacement for an engineer Хөгжлийн хурдасгагч Эдүүлбэр Би автоматжуулалт бий болгосон Энэ нь хэд хэдэн хэрэгсэл нэгтгэсэн: n8n 
 
 
 
 Үнэгүй Кибана (Clarvoyance дамжуулан) LLM (шилдэг хэлний загвар) Энэ нь дэмжлэг мэргэжилтнүүд зориулсан хялбар, практик ажлын үйл явдал юм. Энэ нь хэрхэн ажилладаг 
 
 
 
 
 
 
 
 
 
 Хэвийн Slack канал үүсгэсэн байна. Специалист каналд хэрэглэгчийн UID-ийг илгээх — зүгээр л тоо. Автоматаар UID-ийг олж авах, урьдчилан тодорхойлолттай шүүлтүүр ашиглан Clairvoyance Kibana-д асуултыг илгээх. Хамгийн сүүлийн үеийн 6 цагийн хэрэглэгчийн үйл ажиллагааны дөрвөлжин бүртгүүлэх болно. Хэрэв дөрвөлжин бүртгэлийг олж чадахгүй байгаа бол, Slack утас дээр ягаан тухтай "Нь үйл ажиллагаа олж чадахгүй" бичлэг бичнэ. 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. Бүх бүртгэлийн багц LLM-д бидний багцын хэрэгцээг тохиромжтой өөрчлөн санал болгож байна. LLM үйл явдлыг анхаарлаа хандуулах, хүний чангатай сав баглаа боодол (до 600 хэлбэрийн хүртэл). Сэтгэгдэл нь хүсэлтийн дараа 2 минутын дотор эхний Slack нунтаг руу дахин хуваалцах болно. Эдгээр хоолойны эх үүсвэр нь , ихэнх нь тохиромжтой конфигурацийг тохируулсан (жишээ нь Slack-ийн хувьд - би үүнийг дараа нь харах болно). 30 hours Бид идэвхтэй хэрэглээнд, энэ автоматжуулалт нь багт хэмнэх болно гэж үзэж байна . up to 60 hours per month LLM-ийн үр дүн нь юу вэ? Ангилал нь үргэлж структурын бөгөөд маш тодорхой асуултуудыг хариу: 
 
 
 
 
 
 Ямар ч алдааг олж авсан вэ? Позитив (нормалтай) үйл явдлыг хуваалцах Үйлчлүүлэгчийн ажлын үйл явц хэрхэн алдааг нөлөөлж болно Үнэндээ асуудал болсон үед (Timestamps) Дараа нь мэргэжилтэн хийх ёстой үйл явц Эцэст нь бид зүгээр л Үнэгүй : Хэрэглэгчийн юу хийж байна, тэд ямар ч асуудалтай байсан, энэ нь ямар ч чухал юм. “Endpoint X дээр HTTP 400” context Үнэндээ - . no sensitive data is ever sent to the LLM Автоматизацийн үндсэн зорилго 1. Хувийн бүртгүүлэлтийг хуваалцах Кибана нь хүчтэй хэрэгсэл юм, гэхдээ очийг унших нь урт, мэдлэгтэй үнэтэй байдаг - ялангуяа үйл явдлыг цаг хугацаагаар болон хэд хэдэн үйлчилгээнд хуваалцах үед. Би олборлолт гэж үзэх хүссэн Техникийн босоо биш. clear explanation 2. Анализ хугацааны бууруулах Before automation: 
 
 15 + минутын хэрэглэгчийн тохиолдолд After automation: 
 
 1-2 минут (UID илгээх → тавтай морилно уу) Энэ нь хэт ягаан туяаны ачаалал эсвэл массийн ачаалал үед маш чухал юм. 3. Дээрх анализ боломжийг олгодог Автоматизаци нь зөвхөн цаг ачаалалгүй - энэ нь бидэнд боломжийг олгодог: 
 
 
 
 
 Системийн асуудлуудыг хурдан олж авах, хэрэглэгчид хооронд туршилтын алдааг мэдэгдэх, Шинэ проблематик бүсүүд үзүүлэлтээр мэргэжилтнүүдийн чадварыг сайжруулах, хэрэглээний бодит дэлхийд хэрэглээн хэрхэн ажилладагын тулд илүү сайн мэддэг. Эцэст нь, энэ аргаар хөгжүүлэгч нь зөвхөн хэрэглэгчийн туршлага дамжуулан тайлбарласан асуудлуудыг судлах цаг хугацааг ихэвчлэн багасгах болно. Бүх тохиолдолд concrete log events-ийн дэмжлэгтэй структурирован анализтай байдаг. Энэ хэрэгсэл нь юу вэ? үндсэн : 
 
 
 
 Мэргэжлийн дэмжлэг, хэрэглэгчийн харьцуулахад ажилладаг инженер, Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Эдүүлбэр » Энэ нь хамгийн сүүлийн үеийн хувилбар юм? Үгүй. Энэ нь a Одоогийн A , эцсийн төлөвлөж буй бүрэн роллоуттай . living tool quiet testing phase 2026 Тест хийх үед: 
 
 
 
 Тавтай морилно уу, янз бүрийн LLM болон загварын хувилбар харьцуулана, шүүлтүүр логик, хариу шаблон сайжруулсан байна. Үүнээс гадна, автоматжуулалт нь одоо ч өөрийн гол зорилготой гүйцэтгэдэг: . making logs understandable and saving time гагнуурын бүтэц Түлхүүр Судалгааны хоолой нь тусгай Slack канал дахь үйл явдлын эхлэн эхэлнэ ( ) : Slack Trigger 
 
 
 Үйлчилгээний төрөл: Channel-д Posted new message Input: хэрэглэгчийн UID хэлбэрээр илгээсэн текст Бүтээгдэхүүний Үйлчилгээний өгөгдлийг олж, ашиглах шаардлагагүй JSON формат дээр: Set nodes 
 
 
 Өнгөрсөн гарын авлага: UID (as a number) Доор гадаргуу: thread контекст (Channel ID болон thread timestamp) Бүртгэл Retrieval UID нь Kibana руу дамжуулан ( ) ашиглах Индекс нь ялангуяа. Elasticsearch / Get Many traces-main Logs нь хайж байна Тогтмол цаг хугацааны долоо хоногт. user_id Урт хугацааны логик Өнгөрсөн ямар нэгэн үйл явдлыг олж байгаа эсэхийг шалгах: 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 Сэтгэгдэл Delivery LLM output нь Slack thread контексттэй нэгтгэсэн бөгөөд анхны thread-д хариу хэлбэрээр хуваалцах болно. Ногоон мэдээлэл Хөгжлийн Trigger Preconfigured Slack credentials болон каналын ID (дээр боломжтой) Өнгөрсөн ) Зөвлөгөө Channel Details Татаж авах Nodes Тавтай морилно уу, normalizing input data ашиглаж байна: 
 
 
 uid → Сэтгэгдэл текст нь тоо болгон parsed thread data:
 
 
 
 
 channel  → original message timestamp thread_ts Elasticsearch Node нь Kibana баталгаажуулалтууд, индекс ID-ийг шаарддаг ( Нөхцөл индекс менежментийн Хамгийн чухал тохиргооны: 
 
 
 хязгаарлалт: 1000 зүйлс(Хөргөлтийн түвшин нь ихэвчлэн Gateway timeouts үүсгэсэн юм.) Query:
 
 
 
 
 
 
 time range:  now-6h filter by  user_id limited source fields last 1000 events Код Node (Minimizer) LLM анализ зориулалтаар бүртгүүлэг хийх: 
 
 
 
 
 
 
 
 
 normalizes fields (час, агуулга), PII-ийг масклах (телефон / э-мэйл - тэр ч байтугай, нэмэлт хамгаалах зэрэг), Өнгөрсөн үнэ цэнэ, Зөвлөгөөг хуваалцаж, цаг хугацааны талаар янз бүрийн үйл ажиллагаа, Тавтай морилно уу, Тавтай морилно уу computes lightweight statistics (HTTP codes, endpoints), шилдэг 500 ач холбогдолтой үйл явдал, нарийвчлалтай урт хугацааны хязгаарлалттай компакт үзүүлэлттэй бий болгодог. Энэ нь LLM-д том, токен хялбар ачаалал дамжуулахын тулд чухал юм. OpenAI Node (Message a Model) OpenAI-ийн баталгаажуулалт, загварын сонголт шаардлагатай (эсвэл одоо туршилтын үед). GPT-4.1-Mini Prospect нь а : second-line technical support specialist 
 
 
 
 
 
 
 Эхлээд хэрэглэгч (гивч / аялал жуулчлалын / тээвэрлэгч), Техникийн алдаа, Хэрэв алдаагүй байгаа бол бизнесийн нөхцөл (документы, забраны, профиль нөхцөл), Хязгаарлалттай хариу шаблон дараах, Тавтай морилно уу, Тавтай морилно уу! Техникийн анализ нь хэрэглэгчдэд зориулсан ажлын үйл явц үр нөлөө. Энэ бүтэц нь raw logs нь . clear, actionable insights Хамгийн доор хандах экземпляр: Өнгөрсөн дуудлага Эдгээр автоматжуулалт нь инженерууд өөрчлөн биш юм - энэ нь тэднийг хурдан мэдрэхэд туслах болно. Зөвхөн хязгаарлагдмал, структурын арилжаа хийхэд баг когнитив ачааллыг багасгах, ачаалал шинжилгээг хурдан болгоно. N8n болон орчин үеийн LLM гэх мэт хэрэгсэл ашиглан, жижиг баг нь практик, хүний найдвартай харах түвшин үүсгэх боломжтой. Хамгийн чухал нь илүү өгөгдөл биш - энэ нь системийг илрүүлэх болно.

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

inDrive.Tech

Энэхүү аудио нь түүхийн эх хэлээр хийгдсэн болно!

N8n автоматжуулалт нь Kibana Logs унших, LLM нь тэднийг анализ хийх вэ?

About Author

Сэтгэгдлүүд

TAG ҮҮ

ЭНЭ ӨГҮҮЛЛИЙГ ТОЛГОЙЛУУЛСАН

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps