Observabilidad de IA · Lección 10
¿Por qué una aplicación de IA con un volumen muy alto de peticiones diarias podría necesitar aplicar 'sampling' (capturar solo una fracción representativa de las trazas), en vez de trazar absolutamente cada petición individual?
Capturar y almacenar la traza completa de cada petición individual a gran escala puede generar un volumen de datos y un costo de almacenamiento significativo, así que se captura una muestra representativa que sigue dando visibilidad útil sin ese costo completo
El sampling de trazas es técnicamente imposible de implementar en cualquier sistema de observabilidad real, sin ninguna excepción
Solo es relevante si la aplicación tiene exactamente un único usuario consultándola en total, sin ningún volumen real de tráfico
El sampling garantiza automáticamente que ninguna traza importante o problemática se pierda nunca bajo ninguna circunstancia
Observabilidad de IA · Lección 10
Completa el código
Una estrategia de sampling puede priorizar capturar siempre las trazas con
Revisa: puede priorizar capturar siempre las trazas que presentaron errores.
Observabilidad de IA · Lección 10
¿Por qué una estrategia de sampling que prioriza capturar siempre las trazas con errores (aunque muestree solo una fracción del tráfico normal exitoso) es más útil para el equipo que un muestreo completamente aleatorio sin ese criterio de priorización?
Pista: los casos con errores son típicamente los que el equipo más necesita investigar en detalle para diagnosticar problemas; un muestreo completamente aleatorio sin ese criterio de priorización corre el riesgo de, por pura casualidad estadística, no capturar precisamente esos casos problemáticos más valiosos de investigar, mientras una estrategia que prioriza los errores garantiza tener siempre esa información disponible cuando realmente se necesita.
✓
¡Lección completada!
Sampling de trazas — qué capturar a gran escala
0
XP ganado
3
Vidas restantes