Кейсы

Блог

О компании

Контакты

Решения

Калькулятор: инженер или поддержка?

новое

Выявляем больше слабых мест в инфраструктуре и готовим проверенные инженерные решения

Детерминированные инструменты собирают факты и сравнивают реальное состояние с IaC и политиками. AI помогает анализировать изменения, логи и зависимости, находя больше слабых мест, которые могли быть незаметны все это время. Инженеры Git in Sky проверяют решения, согласуют изменения и отвечают за результат.

Пройти readness assessment

Обсудить пилот AI-SRE

Меньше площадь потенциального урона, выше надёжность сервисов

AI-SRE не добавляет ещё один слой инструментов. Он сокращает путь от сигнала до проверенной инженерной гипотезы, позволяя находить больше потенциальных угроз

Сокращается ручной поиск

Инженеру не нужно вручную собирать данные из множества систем и уточнять, что изменилось с момента последней проверки.
Быстрее формируется evidence package

После алерта система собирает обязательный контекст по единому сценарию — логи, конфигурации, изменения, зависимости.
Больше гипотез из фактов

AI связывает факты и предлагает варианты причин, анализирую больше слабых мест в системе
Знания перестают быть только в головах

Решения, ограничения, владельцы и история изменений фиксируются в машиночитаемом контексте — не в чатах и не в личных заметках.
Снижается число повторных инцидентов

RCA и corrective actions превращаются в новые проверки, правила и runbooks, а не остаются документом в Confluence.
Сохраняется контроль над production

Изменения выполняются только в рамках согласованных доступов и human approval gates. AI не получает неконтролируемых прав.

Когда AI-SRE имеет смысл

Мы не обещаем, что AI-SRE автоматически снизит стоимость любой инфраструктуры. Экономический эффект оценивается по baseline и ограниченному пилоту.

Подходит:

✓ Критичная инфраструктура 24×7
✓ Высокая стоимость простоя
✓ Несколько облаков, кластеров или сред
✓ Разрозненные источники мониторинга и логов
✓ Длительный RCA
✓ Дефицит senior SRE
✓ Слабая документация
✓ Повторяющиеся инциденты
✓ Расхождение IaC с реальным состоянием

Может не окупиться:

— Небольшая статичная инфраструктура
— Редкие изменения
— Низкая стоимость простоя
— Отсутствие базовой observability
— Отсутствие владельцев процессов
— Невозможность предоставить технический контекст

Как работает AI-SRE

Девять этапов — от сбора фактов до обновления runbooks. Каждый этап проверяем и контролируем.

Сбор фактов

Детерминированные инструменты собирают данные из согласованных источников: конфигурации, логи, метрики, изменения, зависимости, владельцы. Никаких предположений — только проверяемые данные на момент алерта или плановой проверки.
Нормализация

Данные из разных систем приводятся к единой структуре: временные метки выравниваются, форматы унифицируются, источники маркируются
Сравнение с declared state

Реальное состояние сравнивается с IaC, архитектурными решениями, политиками безопасности и baseline. Расхождения — это факты, а не интерпретации.
Формирование evidence package

Все собранные факты упаковываются в структурированный пакет: что изменилось, что расходится с ожидаемым состоянием, какие зависимости затронуты, какие runbooks применимы.
Анализ и ранжирование гипотез

AI анализирует evidence package: ищет связи между фактами, аномалии, известные паттерны. Формирует и ранжирует гипотезы с привязкой к evidence. Гипотеза — это не вывод, а версия для проверки.
Проверка инженером

Инженер Git in Sky проверяет гипотезы: подтверждает, отклоняет, запрашивает дополнительные данные. Итоговое решение — всегда за человеком.
Согласование изменения

Изменение проходит согласование в рамках agreed-upon approval process. Границы доступа определены заранее, действия логируются.
Согласование изменения

Изменение проходит согласование в рамках agreed-upon approval process. Границы доступа определены заранее, действия логируются.
Обновление harness и runbooks

Результаты инцидента превращаются в новые проверки, правила, runbooks и ограничения. Контекст инфраструктуры обновляется — следующий инцидент будет диагностироваться быстрее.

Сервисы для построения инфраструктуры в облаке

Миграция на одну из трех облачных платформ Cloud.ru: Evolution, Advanced или Облако VMware. Каждая платформа предлагает широкий выбор вычислительных мощностей, управляемых сервисов и инструментов для миграции. Можно использовать ресурсы одной платформы или объединить их по внутренней сети облака.

Evolution Compute

Виртуальные машины для развертывания сервисов
Evolution Managed Kubernetes

Управление контейнерными приложениями в кластере Kubernetes
Evolution Load Balancer

Сервис для балансировки сетевого трафика
Direct Connect

Выделенное высокоскоростное физическое подключение между офисом или центром обработки данных и облаком
Cross-Platform Connection

Безопасная и надежная связь ваших ресурсов между платформами Cloud.ru

Этапы работ

Аудит текущей инфраструктуры

Проводим анализ ресурсов, выявляем узкие места и оцениваем готовность приложений к миграции в облако
Проектирование новой архитектуры

Разрабатываем целевую архитектуру, планируем этапы миграции и рассчитываем необходимые ресурсы и бюджет
Настройка сетей и резервирование

Настраиваем сети и обеспечиваем резервирование при развертывании отказоустойчивой геораспределенной инфраструктуры
Реализация миграции в облако

Настраиваем облачную инфраструктуру, поэтапно переносим сервисы, подключаем мониторинг и резервное копирование
Передача в эксплуатацию

Проводим тестирование отказоустойчивости, обучаем персонал и передаем полную документацию
Поддержка и сопровождение

Обеспечиваем круглосуточную поддержку, соблюдение SLA и предоставляем рекомендации по развитию

С чего начать

Три уровня — от диагностики готовности до постоянного managed-сопровождения.

Agent-Ops Readiness Assessment

Диагностика готовности инфраструктуры и процессов к AI-assisted эксплуатации.

Инвентаризация инфраструктуры

Аудит IaC

Аудит observability

Оценка документации

Оценка incident management

Карта источников фактов

Оценка рисков доступа

Проект структуры harness

Список приоритетных сценариев

План пилота

Обсудить assessment

AI-SRE Pilot

Ограниченный проект на одном сервисе, кластере или группе серверов с измерением before/after.

Один ограниченный инфраструктурный контур

3–5 источников фактов

Один основной диагностический сценарий

Baseline по текущему процессу

Evidence package

Human approval gates

Измерение before/after

Итоговый отчёт с ограничениями

Обсудить пилот

AI-SRE Managed Service

Постоянное сопровождение инфраструктуры с развитием Agent-Ops harness и инженерной ответственностью

Мониторинг и анализ алертов

Incident management

Диагностика и RCA

Плановые операции

Подготовка изменений

Контролируемая remediation

Работа с техническим долгом

Обновление runbooks

Отчётность

SLA и инженерная эскалация

Обсудить сопровождение

Эффект подтверждается измерениями

Мы не публикуем проценты до появления собственных подтверждённых данных. Показываем, что именно измеряем.

Alert > Evidence
Alert > Первая гипотеза
MTTR
Человеко-минуты на сбор контекста
Доля senior-эскалаций
Повторные инциденты

Демонстрация

До появления клиентского кейса показываем controlled demo. Это не результат клиента — это лабораторная демонстрация подхода.

Описание системы

Kubernetes-кластер, 3 nodepool, PostgreSQL, Redis, Nginx Ingress.
Тип инцидента

Деградация latency на одном из сервисов после планового обновления.
Входные данные

Алерт из Prometheus, логи пода, конфигурация деплоймента, история изменений в Git, метрики latency.
Ручной процесс

Инженер вручную собирает логи, сравнивает конфигурации, ищет изменения — 18 минут до первой гипотезы.
Evidence package

Система собирает факты за 40 секунд: diff конфигураций, график latency, список изменённых ресурсов, владельцы.
Гипотезы AI

Модель предлагает 3 версии — resource limits, сетевая политика, версия библиотеки.
Инженер

Проверяет гипотезы, подтверждает resource limits как root cause. Отклоняет 2 другие.
Результат

40 секунд до evidence package, 4 минуты до подтверждённой гипотезы.
Ограничения

Демонстрация на изолированном кластере. Результат не гарантирует такого же эффекта на инфраструктуре клиента без пилота.

AI-SRE работает на базе открытой методологии Agent-Ops

Принципы, lifecycle, базовые схемы и шаблоны публикуются открыто. Клиентские данные, topology, доступы, thresholds и внутренние runbooks остаются закрытыми.

Перейти к Agent-OPS Framework