Mengapa kami mulai
dari sebuah request.

Kami ingin menampilkan permintaan yang sedang berjalan. Permintaan apa saja yang masuk? Sudah berapa lama masing-masing berjalan? Mana yang berlangsung lebih lama dari biasanya? Kami membayangkan semua itu bisa terlihat sekilas.

Gagasan itu kami wujudkan dalam Active Service. Fitur ini menampilkan permintaan yang sedang berjalan beserta waktu yang telah berlalu dan penanda warna. Engineer pun dapat langsung memeriksa permintaan yang berjalan lama. Kami ingin melangkah lebih jauh dari sekadar memeriksa catatan setelah masalah berlalu. Kami ingin engineer bisa melihatnya saat masalah masih terjadi.

Setelah permintaan selesai, masih ada pertanyaan. Dari sekian banyak permintaan, mana yang lambat? Bagian pekerjaan mana di dalamnya yang memakan waktu?

Kami memutuskan untuk menampilkan setiap permintaan sebagai satu titik. Permintaan yang memakan waktu lebih lama diletakkan lebih tinggi agar mudah terlihat. Dari gagasan itu lahirlah X-View. Engineer dapat memilih titik yang menonjol, lalu memeriksa metode, SQL, dan panggilan eksternal untuk menemukan bagian yang memakan waktu.

Bahasa dan cara membangun aplikasi terus berkembang. Namun, hal yang ingin diketahui tim operasional tidak banyak berubah. Permintaan mana yang lambat? Apa yang terjadi di dalamnya?

JENNIFER juga berkembang mengikuti perubahan ini. Kami memperluas dukungan yang semula mencakup Java agar juga mencakup .NET Core, PHP, Node.js, dan Python. Di berbagai lingkungan ini, kami ingin tim tetap dapat memahami kinerja aplikasi dan menelusuri masalah dengan cara yang serupa.

Kini, satu permintaan melewati beberapa layanan. Aplikasi berjalan di Kubernetes, dan layanan terhubung melalui arsitektur microservices (MSA). Saat permintaan melambat, engineer perlu memeriksa bagian dalam aplikasi. Mereka juga perlu melihat apa yang terjadi pada pod dan node terkait.

JENNIFER Kubernetes memungkinkan tim melihat alur transaksi bersama status dan peristiwa di Kubernetes. Meski sistem semakin rumit, kami ingin membantu pelanggan menemukan titik awal pemeriksaan. Itulah peran APM yang terus kami pertahankan, sekalipun lingkungannya berubah.

Saat melihat data di JENNIFER, berbagai pertanyaan muncul. Mengapa permintaan ini begitu lama? Apa arti error ini? Bagian mana yang perlu diperiksa berikutnya?

Kami merasa akan lebih membantu jika pertanyaan itu bisa diajukan langsung melalui JENNIFER. Anda dapat bertanya sambil memeriksa data, meskipun belum terbiasa menafsirkannya atau kesulitan memahami masalah yang rumit sendiri.

Karena itu, kami menghubungkan data kinerja yang dikumpulkan JENNIFER dengan model bahasa besar (LLM). Anda dapat bertanya tentang data yang sedang dilihat, membaca jawabannya, lalu mengajukan pertanyaan lanjutan untuk mempersempit lingkup masalah yang ditelusuri. Kami berharap cara ini memudahkan engineer memahami data dan menentukan bagian yang perlu diperiksa berikutnya.

Keinginan untuk melihat permintaan yang sedang berjalan membawa kami pada analisis transaksi yang lambat. Dari sana, kami memperluas dukungan bahasa dan Kubernetes, lalu mengembangkan cara memanfaatkan data kinerja dengan AI.

Teknologi terus berubah, tetapi masalah yang ingin kami atasi tetap sama. Mengapa pengguna harus menunggu? Bagaimana tim operasional dapat menemukan penyebabnya lebih cepat? Pertanyaan inilah yang akan terus memandu pengembangan JENNIFER APM.