Netflix desenvolve grafo de conhecimento para observabilidade com IA

Netflix desenvolve grafo de conhecimento para observabilidade com IA

Publicado em 15/11/2026 0 visualizações

Ainda sem avaliações

Netflix conecta dados operacionais em um grafo de conhecimento para apoiar a análise de causa raiz com IA e acelerar investigações de produção.

Grafo conecta dados operacionais

A Netflix está desenvolvendo uma ontologia operacional e um grafo de conhecimento para acelerar investigações em produção e dar aos agentes de IA uma visão compartilhada do ambiente. A estrutura conecta informações sobre aplicações, incidentes, implantações, alertas e dependências de infraestrutura, hoje distribuídas por diferentes sistemas.

A empresa afirma processar mais de 2 bilhões de solicitações por dia e mais de 38 milhões de eventos de registro em tempo real a cada segundo. Durante a luta entre Jake Paul e Mike Tyson, em novembro de 2024, sua infraestrutura sustentou aproximadamente 65 milhões de transmissões simultâneas.

Modelo comum reduz o trabalho de correlação

Apesar da escala de observabilidade, investigar uma regressão típica de aplicação pode levar cerca de quatro horas. Parte significativa desse tempo é gasta reconstruindo relações entre sistemas, em vez de analisar os dados em si. Uma regressão pode ter origem em uma atualização do cliente, experimento, limitação de carga ou serviço dependente.

A Ontologia de Observabilidade da Netflix define entidades operacionais, suas propriedades e as relações entre elas. O modelo usa padrões como RDF, OWL, SHACL e SPARQL, e o grafo resultante é armazenado no QuipuDB, banco de dados RDF distribuído da Netflix, construído sobre o mecanismo de armazenamento redb, escrito em Rust.

Enriquecimento e análise de sinais

Uma cadeia de componentes chamada enrichers recebe informações de sistemas operacionais e as transforma em relações estruturadas, representadas como triplas sujeito-predicado-objeto. Algumas etapas são determinísticas; outras usam modelos de linguagem e técnicas probabilísticas para interpretar informações menos estruturadas.

A Netflix valida os resultados com regras para tipos de entidades, padrões de URI e verificações no catálogo de software. A empresa também registra discussões de incidentes, incluindo hipóteses, explicações rejeitadas e decisões de mitigação, para preservar o raciocínio humano como parte da base de conhecimento operacional.

AutoRCA usa a ontologia como interface

O mecanismo de correlação examina 13 tipos de sinais, entre eles erros em registros, anomalias em métricas, rastros, alertas, incidentes, implantações, alterações de configuração, experimentos e mudanças de código. Ele busca possíveis relações causais e classifica hipóteses com base em evidências como proximidade temporal e gravidade.

A Netflix descreve o processo como um ciclo de conhecimento: observar, enriquecer, inferir e adaptar. O grafo também sustenta o AutoRCA, sistema interno de IA agêntica para análise de causa raiz. Agentes especializados em rastros, registros ou implantações podem contribuir informações sobre as mesmas entidades operacionais sem depender de formatos internos idênticos ou de uma troca informal de resultados.

Próximos passos e supervisão humana

A Netflix pretende gerar explicações de incidentes classificadas e apoiadas por evidências. A empresa planeja manter a aprovação humana sobre mudanças e ações de remediação propostas, enquanto amplia a capacidade de transformar relações identificadas em investigações futuras mais rápidas e consistentes.

A companhia também quer avançar da análise automatizada de causa raiz para remediação automática e infraestrutura autorrecuperável. Outra frente em avaliação é integrar o sistema à Unified Data Architecture, conectando informações operacionais a domínios mais amplos de negócio e tecnologia.

Autor

Jaime LinharesEmpresa

CEO do Guia de TI

Comentários

0

Comece a conversa.
Seja a primeira pessoa a comentar este conteúdo.

Deixe um comentário