Dynatrace verlegt grenzen met Autonomous Software Operations en AI-agents

In een IT-landschap dat exponentieel complexer wordt door de adoptie van multicloud en microservices, is handmatige monitoring niet langer houdbaar. Dynatrace speelt hierop in met de introductie van Dynatrace Intelligence, een systeem dat Geebelen omschrijft als het "Agentic Operations System" voor de moderne onderneming.

Van detectie naar autonomie

De kernboodschap van Geebelen is helder: Dynatrace stapt over op Autonomous Software Operations. Waar het platform al tien jaar bekend staat om zijn AI-gestuurde probleemdetectie en root-cause analyse, gaat de nieuwe stap over preventie en automatische remediëring.

"We maken het mogelijk om incidenten op een automatische manier te remediëren en optimalisaties door te voeren in een actie-omgeving," legt Geebelen uit. "Het doel is dat uitkomsten gegarandeerd worden op een betrouwbare manier. De AI kijkt vooruit; als we zien dat een trend de verkeerde kant op gaat, kan het systeem preventief ingrijpen voordat de gebruiker er last van heeft."

De opkomst van gespecialiseerde AI-agents

Een cruciale pijler onder deze autonomie is de inzet van gespecialiseerde AI-agents. In plaats van één algemene AI, introduceert Dynatrace agents die expert zijn in specifieke domeinen.

• Kubernetes Agents: Specifiek gericht op de complexiteit van container-orchestratie.
• Application Agents: Gericht op het analyseren van fouten in web- en mobiele applicaties.
• Ecosysteem Integratie: De kracht ligt in de samenwerking met externe systemen. Geebelen haalt een voorbeeld aan van de samenwerking tussen de Dynatrace-agent en de AWS DevOps-agent om incident response te automatiseren.

Deze agents kunnen zelfs proactieve voorstellen doen aan developers. "De AI kan een voorstel doen voor een code-aanpassing of configuratiewijziging in GitHub. De developer hoeft alleen op 'approve' te klikken om een potentieel probleem op te lossen voordat het ontstaat," aldus Geebelen.

Betrouwbaarheid als fundament

Op de vraag van Kepinski wat dit betekent voor het partnerkanaal, benadrukt Geebelen de betrouwbaarheid van data. In een markt vol "AI-hype" onderscheidt Dynatrace zich door context.

"Als je wilt automatiseren op basis van data, moet je die data blind kunnen vertrouwen. Wij slaan data op in ons 'Davis' model met volledige context: van welke host, container of database komt het? Onze Causal AI berekent de afhankelijkheden, waardoor we exacte antwoorden geven in plaats van alleen waarschijnlijkheden."

AI-Observability: Grip op generatieve AI

Een ander speerpunt is AI-observability. Veel organisaties worstelen om hun Generatieve AI-projecten (LLM's) van de pilotfase naar productie te krijgen. Volgens onderzoek van Dynatrace bevindt 50% van deze projecten zich nog in de testfase, vaak door gebrek aan grip op kosten, performance en betrouwbaarheid (bias).

Dynatrace biedt nu de tools om verschillende AI-modellen in productie met elkaar te vergelijken. "Klanten kunnen model A naast model B leggen en op basis van objectieve data zien welk model betere antwoorden geeft tegen lagere kosten," legt Geebelen uit. Dit geeft bedrijven het vertrouwen om AI-toepassingen op grote schaal uit te rollen.

Eén bron van waarheid voor de Multicloud

Tot slot kondigde Geebelen verbeteringen aan voor de verzameling van cloud-data bij hyperscalers als AWS, Azure en GCP. Door alle data uit cloud-, on-premise- en edge-omgevingen op exact dezelfde manier te verwerken in één Data Lakehouse, ontstaat er één groot 'dependency model'.

Voor de IT-beheerder betekent dit het einde van de versnippering: één console die de volledige multicloud-omgeving overziet en begrijpt. Met deze innovaties zet Dynatrace de volgende stap in de evolutie van monitoring naar een zelfsturend, intelligent IT-ecosysteem.