ソフトウェア自動化は、長い道のりを歩んできました。その始まりはローコード開発でした。ローコード開発とは、自動化されたアクセラレータ、リファレンステンプレート、そしてソフトウェアアプリケーション開発アーキテクチャの事前構成された要素を活用することで、ソフトウェアエンジニアリングのプロセス全体とその後続段階をスピードアップさせる技術です。これらの後続段階は、ユーザー受け入れテストや、より広範なアプリケーションの拡張や統合といった分野に及びます。
その後、ローコードをアプリケーション開発のより明確な領域へと押し進め始めました。当時はローコードソフトウェアの時代であり、ドラッグ＆ドロップによる抽象化機能を備えたノーコードソフトウェアも存在しました。ツールは、様々なアプリケーションのユースケースに合わせて、より精密に設計・構築されていました。近年では、ソフトウェア業界はローコードを機械学習や人工知能といった分野へと移行させています。
私たちは、IoT（モノのインターネット）などのエッジコンピューティング環境に特化したローコード開発サイクル、例えばデータ集約型分析アプリケーション向けに設計されたアーキテクチャの開発サイクルも経験してきました。そして今、まさにその最新のデータ時代が到来しています。
ジャンプ先:
- Dynatrace の AppEngine とは何ですか?
- 新たな仮想化の現実
- 因果AIとは何ですか？
- ペタバイトからヨタバイトへの隔たり
- 巨大な基数
Dynatrace の AppEngine とは何ですか?
ソフトウェアインテリジェンス企業Dynatraceは、データ駆動型アプリケーションの開発に取り組む開発者向けにAppEngineサービスを開始しました。このローコードサービスは、企業向けに、カスタムエンジニアリングされ、完全にコンプライアンスに準拠したデータ駆動型アプリケーションを開発するために構築されています。
同社では、AppEngine を、顧客が BizDevSecOps のユースケースに対応し、現代のクラウド エコシステムによって生成される爆発的な量のデータから得られる豊富な洞察を引き出す「カスタム アプリ」を作成できるようにするプラットフォーム内のテクノロジーであると説明しています。
それはBizDevSecOpsのことですか？ええ、そうです。開発機能と運用機能を統合し、アプリケーションの運用セキュリティを本質的に組み合わせたものです。これは、サプライチェーンの堅牢性と厳格なデータプライバシーという観点からのセキュリティであり、サイバー防御やマルウェア対策のようなセキュリティではありません。
BizDevSecOpsという名称がヒントです。これは、ビジネスユーザーを、a) ユーザーのソフトウェア要件をDevOpsプロセスに近づけ、b) ソフトウェア開発と運用をより進化させ、「ビジネス成果」を実現できる状態にすること、c) ユーザー満足度を維持すること、という2つの目的のために活用されます。ビジネス成果の中には、単に利益に直結するものもあれば、人類と地球の利益のための開発にも繋がるものもあるでしょう。
参照: 採用キット: バックエンド開発者 (TechRepublic Premium)
新たな仮想化の現実
なぜこのようなことが起こるのでしょうか？クラウドネイティブなアプリケーションの開発と展開の世界に移行するにつれ、クラウドサービスの動作、ステータス、健全性、そして堅牢性を監視する必要があるからです。これは、仮想化に現実味を持たせる唯一の方法であることはほぼ間違いありません。
アナリスト企業ガートナーによると、IT部門内外の様々なチームがより適切な意思決定を行うためにデータを活用する必要性が、監視の「進化」を促しています。ここで言うITとは、DevOps、インフラストラクチャと運用、そしてサイト信頼性エンジニアリングの専門家を指します。
データオブザーバビリティが組織全体、そして複数のチームにまたがって、より包括的に必要とされるプロセスおよび機能になりつつあるため、分析機能やダッシュボードの利用も増加しています。これらはすべて、Dynatraceのローコードデータ分析アプローチの背景にあります。
「Dynatraceプラットフォームは、複雑で動的なクラウドエコシステム全体に正確な回答とインテリジェントな自動化を提供することで、IT、開発、ビジネス、セキュリティチームの成功を常に支援してきました」と、Dynatraceの創設者兼最高技術責任者であるベルント・グライフェネダー氏は述べています。
コンテナ化されたクラウドコンピューティングという新しい世界において、分散したリソースをどのように統合できるかについて、Dynatraceは、同社のプラットフォームが可観測性、セキュリティ、ビジネスデータを完全なコンテキストと依存関係のマッピングによって統合すると説明しています。これは、タグ付けなどの手作業によるサイロ化されたデータの接続、不正確な機械学習分析、そして他のソリューションの高い運用コストといった問題から開発者を解放するように設計されています。
「AppEngineはこれらのデータを活用し、組織全体のチームによるインテリジェントなアプリ作成と統合を簡素化します。自動スケーラビリティ、ランタイムアプリケーションセキュリティ、ハイブリッドおよびマルチクラウドエコシステム全体にわたる安全な接続と統合、そしてセキュリティと品質認証を含むライフサイクル全体のサポートを提供します」と、同社はプレス声明で述べています。
因果AIとは何ですか？
Dynatraceが市場に投入した製品の中心は、因果AIの活用です。簡単に言えば、因果AIとは原因と結果を説明できる人工知能システムです。意思決定やその背景にある原因を説明するのに役立ちます。説明可能なAIとは少し異なり、因果AIはより包括的なタイプの知能です。
「因果AIは、行動や出来事の根底にある原因を特定し、予測モデルでは提供できない重要な洞察を提供します」とスタンフォード社会イノベーションレビューは述べています。
これは因果推論を利用する AI です。因果推論とは、特定の事物またはイベントの独立した影響と、より大きなシステムおよび事物の宇宙内のエンティティまたはコンポーネントとしての他の事物との関係を定義および決定するインテリジェンスです。
Dynatrace によれば、こうした製品開発の総合的な結果として、組織内のどのチームでも初めて因果 AI を活用して、独自のビジネス要件やテクノロジー スタックに特化したユース ケースやテクノロジー向けのインテリジェント アプリや統合を作成できるようになるという。
ペタバイトからヨタバイトへの隔たり
Dynatraceの創設者兼CTOであるGreifeneder氏は、こうした議論を文脈に沿って解説します。彼は、企業が現在取り込み・分析しなければならない「極めて異種混在」なデータの山を初めて扱おうとする際に直面する負担について語ります。まるで2000年問題を彷彿とさせるように、私たちは今、組織がペタバイトからヨタバイトへと大きな溝を越えなければならない転換点に立っています。
「このデータ量の急激な変化は、あらゆるタイプの組織にとって非常に破壊的な出来事です」と、グライフェネダー氏は今月ラスベガスで開催された自社イベント「Dynatrace Perform 2023」で述べた。「これが非常に大きな変化であるのは、既存のデータベース構造やアーキテクチャでは、これほどの量のデータを保存できないだけでなく、そこから洞察や価値を引き出すために必要な分析機能も実行できないからです。最新のデータベースインデックスでさえ、このような状況を想定して設計されたものではありません。」
Dynatrace社内のロードマップ開発戦略がどのように機能しているかについて、グレイフェネダー氏は、当初はGrailデータレイクハウス技術の構築を意図していたわけではなかったものの、そうする必要があると認識したと述べています。Dynatrace Grailは、より管理された小規模なデータマートやデータウェアハウスに見られるようなデータクエリ機能を備え、データレイクストレージの規模と範囲を提供するため、まさにデータレイクハウスと言えるでしょう。
スキーマレスなクエリ実行機能を提供することで、ユーザーは従来のリレーショナルデータベース管理システムで通常必要となるスキーマ設計要件を実行することなく、データリソースに対して「質問」を行うことができます。Dynatraceはこれをschema-on-read（スキーマオンリード）と呼んでいます。その名の通り、ユーザーは生の状態でデータを検索する時点で、データクエリにスキーマを適用することができます。
「私はこれを生データとは呼びません。むしろ、完全な粒度を持つデータと呼ぶべきでしょう」とグレイフェネダー氏は説明した。「情報を『バケット化』したり、簡略化したりするために設計されたプロセスからデータを遠ざけることで、私たちはデータを最も純粋な状態で扱うことができます。だからこそ、Dynatraceプラットフォームは、膨大なカーディナリティに対応できるように、あるいは多くの通常の値を持ちながらも少数の巨大な値を持つデータセットを扱えるように構築されているのです。」
巨大な基数
この意味での基数の意味を説明すると、啓発されます。序数は順序（1番目、2番目、3番目など）を表しますが、基数は単に値を表します。
グライフェネダー氏は、例として10万人のユーザーを抱えるオンラインショッピングシステムを思い浮かべると述べている。このウェブストアでは、頻繁に定期的に購入されるものもあれば、頻度が低く、あまり人気のない商品を購入するものもあることが分かっている。しかし重要なのは、頻度に関わらず、10万人のユーザー全員が1年間に必ず何らかの購入を行うということだ。
これらすべてのユーザーを追跡し、誰が何をいつ行ったかを記録できる時系列データベースを構築するために、組織は通常、膨大なカーディナリティの課題に直面して、外れ値をバケット化して簡素化します。
Dynatrace社は、それは同社のプラットフォームの問題ではなく、最初からそれを考慮して設計されていると主張している。しかし、これらすべてはペタバイトからヨタバイトへのキャズム（溝）を越えようとしているまさにその時点で起こっている。新たな鉤爪が必要なようだ。
