«Disse mønstrene har blitt så vanlige i observabilitet at de ofte behandles som beste praksis — men de er egentlig workarounds» — ClickHouse-bloggen
Mennesker kompenserer for manglende data med erfaring og intuisjon. KI-agenter kan ikke det. ClickHouse-teamet argumenterer for at tre vanlige observabilitetspraksiser aktivt undergraver agentdrevne arbeidsflyter. Over 90 % av praktikerne ser verdi i KI-drevet anomalideteksjon, men infrastrukturen er ikke bygget for det.
Kort logglagring (typisk 7-14 dager) fjerner konteksten agenter trenger for å gjenkjenne sesongmønstre og historiske regresjoner. Sampling kaster bort data ved inntak og forvrenger aggregater. Rollups krever at du bestemmer på forhånd hvilke spørsmål du vil stille, og fjerner detaljene agenter trenger for ad hoc-feilsøking under hendelser.
ClickHouse peker på kolonnebasert lagring som løsning, der hver kolonne lagres separat og høy kardinalitet isoleres uten å påvirke resten av datasettet. Artikkelen er naturlig nok farget av avsenderens egeninteresse, men problemanalysen er solid for alle som bygger agentsystemer med observabilitetsbehov.