今年の DASH 基調講演では、開発者ワークフローと運用ワークフローの両方を支援する Datadog の Bits AI が紹介されました。エージェントがチームと連携して、フルスタックの問題を調査、検証、修正します。基調講演では、自律的な検知と修復、AI によるリリース検証とテスト、統合されたジャーニーモニタリング、チームの運用知識を保持して定義済みのガードレール内で動作する新世代の Bits AI エージェントなど、数十に及ぶ新機能が発表されました。
モニタリングギャップの自動解消、AI 生成コードの安全なリリース、低速なデータベースクエリの最適化、非専門家でも平易な言葉で複雑なシステムを調査できる手段の提供など、Datadog はチームが AI を活用してより優れた開発を行えるよう支援します。この投稿では基調講演の主な発表内容を紹介します。また、他のまとめ記事では、Datadog が AI の活用、エンドツーエンドのオブザーバビリティの実現、スケール運用、環境のセキュリティ確保とガバナンスをどのように支援するかをご紹介しています。
検知から修復までの運用ループを完結する
Bits Detection で影響の大きい劣化を自律的にモニタリングする
新しいサービスはモニタリング設定の更新が追いつかないほど速くリリースされるため、エンドポイントにアラートが設定されていなかったり、しきい値が古いトラフィックパターンに基づいたままだったり、チーム再編に伴ってルーティングが古くなったりします。現在プレビュー版で利用可能な Bits Detection は、Datadog がすでに保持しているサービス、エンドポイント、依存関係、デプロイ履歴に関するコンテキストを活用し、検知カバレッジを自動的に作成して維持します。ユーザーに影響を与える可能性が最も高いエンドポイントにカバレッジを集中させ、静的なしきい値ではなく過去の挙動に基づいてベースラインを確立し、サービスの変化に適応します。また、問題発生時には検知を自律的な調査と修復につなげます。ご利用を開始するには、プレビューにサインアップするか 、 ブログ記事をご覧ください。
Bits Memories でチームの運用知識を保持する
最も困難なインシデントの解決では、ライブテレメトリだけでは得られないコンテキストが重要になることがあります。たとえば、チームが過去に遭遇した障害パターン、効果があった修正や失敗した修正、環境固有のサービス詳細などです。Bits Memories は、チームが日々行っている調査、ランブック、ポストモーテム、Slack での会話、過去の修復などから、有用な運用上の学びを保持するのに役立ちます。Bits は重要な詳細を自動的に特定してメモリに保存するため、関連する問題が後で発生した場合、対応者がプレッシャーの中で同じ情報を探し直したり再入力したりしなくても、そのコンテキストを活用できます。ご利用を開始するには、プレビューにサインアップしてください。
Bits Remediation で問題を自動的に解決する
Bits が調査を完了して根本原因を特定すると、Bits Remediation が問題の解決を支援します。Bits は、API の呼び出し、完全に構成された修復スクリプトの実行 (Kubernetes デプロイを再起動する kubectl コマンドなど)、チームがワンクリックでプルリクエストとして開けるコード修正の作成を通じて、サービスやインフラストラクチャ全体で修復アクションを実行できます。Bits Remediation はチームが定義したガードレールに従うため、アクションは環境やリスク許容度に沿ったものになります。これにより、対応者が実行内容をコントロールしながら、調査結果を次のアクションに落とし込む時間を短縮できます。詳細については、ドキュメントをご覧いただくか 、 プレビューにサインアップしてください。
Bits Infrastructure Operations で問題がエスカレートする前に検知・修復する
環境の規模が拡大し、新しいワークロードが毎日デプロイされる中、インフラストラクチャチームがホスト、Kubernetes、サーバーレス、ネットワーク全体の問題を手作業でトリアージして修正することは現実的ではありません。こうした問題には、ホストのディスク飽和、CrashLoopBackOff や OOMKilled などの Kubernetes エラー、AWS Lambda の同時実行制限、ネットワークの TLS 証明書の期限切れ、Amazon ECS のメモリプレッシャーなどがあります。
現在プレビュー版で利用可能な Bits Infrastructure Operations は、インシデントにエスカレートする前に、一般的で繰り返し発生するインフラストラクチャの問題を自律的に検知、調査、修復します。また、リスクのあるインフラストラクチャ変更を、本番環境に到達する前にプルリクエスト内でフラグ付けします。Bits Infrastructure Operations が定義済みのガードレール内で安全に対応できる場合は、問題を自動的に修復します。修正に人による承認が必要な場合は、チームが次のステップをレビューして承認するために必要な完全なコンテキストとともに、優先度の高い問題を提示します。チームは承認ベースのガードレールから始め、Bits が繰り返し承認された内容から学習するにつれて、時間をかけてガードレールを拡張できます。詳細については、ブログ記事をご覧いただくか 、 プレビューにサインアップしてください。
信頼性を確保する
受動的なオブザーバビリティから、能動的なネットワークデバイスの正常性管理と修復へ
ネットワークチームは、メトリクス、イベント、トラフィック、デバイス構成データを大量に抱えていますが、量だけでは何が重要で次に何をすべきかは分かりません。Datadog Network Device Health は、ネットワークデバイス全体のシグナルを自動的に相関させ、ビジネスへの影響度でランク付けした問題を、連鎖的に広がる前に提示します。問題が検知されると、調査サイドパネルに何が起きたのか、影響範囲、ロールバックすべき正確な構成変更が表示されます。そこからワンクリックでロールバックをデプロイし、リアルタイムメトリクスで復旧状況を確実にモニタリングできます。最も重要なインシデントでは、Bits Investigation が段階的な推論によってトラブルシューティングを高速化し、チームが根本原因をよりすばやく特定できるよう支援します。Network Device Health を始めるには、ブログ記事をご覧ください。
Network Configuration Management で複雑なネットワーク問題の原因となる設定変更を追跡する
Datadog Network Configuration Management は、デバイスのパフォーマンス低下を、その原因となった正確な構成変更と自動的に相関させます。パフォーマンスの問題が発生した場合、チームは設定スナップショットを手作業で比較したり、根本原因を見つけるためにツールを切り替えたりする必要がなくなります。Datadog は構成変更を経時的に追跡し、AI 生成の要約を提示して、どれほど複雑な変更でもエンジニアが理解して対応できる平易な言葉に変換します。問題のある変更が特定されると、チームはワンクリックで最後に信頼できる構成へロールバックし、即座に解決できます。開始するには、 ネットワーク構成管理のドキュメント を参照してください。
L7 から L1 までの可視化で、アプリケーションからデバイスまでネットワークの問題を追跡する
レイテンシやエラーを示すトレースには、その背後にあるネットワークの全体像が含まれています。トラフィックをやり取りするサービス、それらをつなぐフロー、そして物理デバイスが問題を引き起こしている正確なホップです。Datadog の L7 から L1 までの可視化により、エンジニアはアプリケーション層からサービス間のネットワークフロー、さらにはパフォーマンス低下が発生している物理ホップやデバイスまで、エンドツーエンドで把握できます。原因が誤設定されたファイアウォール、想定外のクロスリージョンルート、パケットロスの多いデバイスのいずれであっても、SRE とネットワークエンジニアは APM の Network タブ内で問題を直接特定できます。APM トレースで L7 から L1 までの可視化を始めるには、ブログ記事をご覧いただくか 、 プレビューにサインアップしてください。
BGP Centric View でインターネットアンダーレイの問題を診断する
インターネットパスが劣化し、すべてのシグナルが Border Gateway Protocol (BGP) 層を指している場合、トランジットプロバイダーやピアリングの問題が根本原因かどうかを確認するには、従来はプラットフォームを離れて Autonomous System Number (ASN) を手作業で調べ、断片的な関係を追跡する必要がありました。Datadog の BGP Centric View は、そのコンテキストを Network Path UI の専用 BGP タブに直接表示し、フロー内のすべての ASN を提示します。エンジニアはワンクリックで各 ASN のサービスプロバイダー、上流ネイバー、下流ネイバーを確認できるため、プラットフォームを離れることなくルーティングの全体像を把握できます。開始するには、 BGP Centric View のドキュメント をご覧ください。
Datadog Database Monitoring でデータベースクエリを自動的に最適化する
Datadog Database Monitoring の Bits Database Optimization は、深いデータベース専門知識がなくても、低速クエリの検知から本番環境での修正までを自動化する完全な道筋を、すべてのエンジニアリングチームに提供します。候補となる書き換えをスキーマのシミュレーションコピーに対して検証することで、Datadog は最適化がコードベースに取り込まれる前に、実際のデータで高速化されることを確認できるよう支援します。
修正が検証されると、Bits Database Optimization はそのクエリを発行した正確なコード行を特定し、ベンチマーク結果をインラインで示したマージ可能なプルリクエストを作成します。これにより、チームは既存のワークフロー内で改善をレビューしてリリースできます。変更がデプロイされた後は、DBM Query Metrics で実際の本番負荷の下でも改善効果が維持されていることを直接確認できます。詳細については、ブログ記事をお読みください。
Federated Logs でストレージ先を横断してログをクエリする
現代のシステムは膨大な量のテレメトリデータを生成しますが、そのすべてが 1 か所に集まるわけではありません。アプリケーションログやインフラストラクチャログはオブザーバビリティプラットフォームへ、ML トレーニングジョブのログはレイクハウスへ、大量のイベントストリームはカラムナーストアへ、監査アーカイブは Amazon S3 のようなオブジェクトストレージへ送られます。その結果として断片化が生じると、調査時にチームはコンテキストを切り替えたり、異なる構文に合わせてクエリを書き直したりする必要があり、障害となります。Federated Logs を使用すると、ログの保存場所にかかわらず、同じクエリ構文とファセットを使って、Log Explorer から Databricks や ClickHouse などの外部データストアをクエリできます。ログが保存先に到達する前にルーティング、変換、正規化を行う Observability Pipelines と組み合わせることで、Federated Logs は既存のストレージシステム全体で一貫した調査体験を提供します。ご利用を開始するには、プレビューにサインアップするか 、 ブログ記事で詳細をご確認ください。
Datadog BYOC Logs で自社インフラストラクチャ内にペタバイト規模のログを保存・検索する
セルフホスト型のログ管理は、チームにデータ主権と制御性をもたらしますが、こうしたソリューションは保守が難しく、テレメトリの相関や AI による分析といった重要な SaaS プラットフォーム機能が不足しています。Datadog BYOC Logs は、その両方の利点をチームに提供します。自社インフラストラクチャ内で実行されながら、Datadog プラットフォームとの完全な統合を維持します。Datadog BYOC Logs により、チームはデータの保存場所を完全に制御しながら、ペタバイト規模の検索、テレメトリ間の相関、AI 支援の調査、集中型ガバナンスを活用できます。詳細はブログ記事をお読みください。
意図を確実に捉える
Datadog Journey Monitoring で重要なユーザージャーニーをモニタリングする
統一されたビューがなければ、エンジニアリング、プロダクト、DevOps の各チームが別々のツールで同じ問題を追いかけ、異なる結論に至ってしまいます。そのため、重要なユーザージャーニーでの離脱が、技術的要因によるものなのか、行動面の要因によるものなのかを特定することが極めて困難になります。Datadog Journey Monitoring は、トラフィック、コンバージョン率、アップタイム、エラーを Real User Monitoring、 Synthetic Monitoring、および Product Analytics から取得し、すべての重要なユーザーフローを単一の共有ビューに統合します。これにより、エンジニアリング、プロダクト、DevOps の各チームがジャーニーのパフォーマンスについて常に共通認識を持てるようになります。Journey Monitoring は現在プレビュー版です。組織がすでに 3 つの DEM 製品 (Real User Monitoring、Synthetics、Product Analytics) をすべて使用している場合は、 今すぐサインアップできます。詳細については、 Journey Monitoring のドキュメント および ブログ記事をご覧ください。
検出結果から修正までの開発ループを完結する
Datadog の検出結果を Bits Code で自動コード修正につなげる
エンジニアリングチームは、事後対応型の修正ループから抜け出せなくなることがあります。エラーの急増、パフォーマンス低下、不安定なテスト、新たな脆弱性が発生するたびに、トリアージ、コードの特定、修正の作成、テストの実行、プルリクエストの作成という同じ手作業のサイクルが始まります。Datadog のプラットフォーム全体で利用できるコーディングエージェントである Bits Code は、そのループを完結させます。Bits Code は、Error Tracking、APM Recommendations、Continuous Profiler、Test Optimization、Code Security、Database Monitoring、Kubernetes Remediation、Bits AI SRE など、Datadog が問題を提示するあらゆる場所に組み込まれています。そのため、同じエージェントが、ある瞬間には繰り返し発生するエラーを修正し、次の瞬間には脆弱性を修復できます。
Bits Code は、ログ、トレース、メトリクス、プロファイル、ランタイム変数、セキュリティの検出結果など、エンジニアがすでに信頼しているテレメトリーデータを用いて調査します。そのため、提案される修正は、汎用的なコーディングアシスタントがソースコードだけから行う推測ではなく、実際の本番環境の挙動に基づいています。チームは Bits Code に直接、リファクタリングや単発のコーディング作業を依頼したり、定期的な修復実行をスケジュールしたり、テレメトリデータを基に実行を自動トリガーしたりすることもできます。Bits Code は現在一般提供されています。詳細については、ブログ記事 および Bits Code のドキュメントをご覧ください。
Bits Release で AI のスピードでも安全にコードをリリースする
Bits Release は、プルリクエスト（PR）から本番環境までのすべてのコード変更を検証する AI リリース検証エージェントです。PR が作成されると、Bits Release は変更による想定影響を分析し、検証計画を生成し、ステージングでエンドツーエンドチェックを実行して、本番環境へのロールアウトをモニタリングします。
従来のモニタリングとは異なり、Bits Release はリリースをコンテキストに沿って検証します。期待された改善が実際に得られているかを確認しながら、回帰や意図しない副作用を検知します。問題が発生した場合は、考えられる根本原因を調査し、修正の生成を支援します。成功した検証は継続的な本番モニターに昇格できるため、高速な開発や AI 生成コードに対応する継続的な安全ループを構築できます。詳細については、ブログ記事をご覧いただくか、 プレビューにサインアップしてください。
Bits Testing で Synthetic テストカバレッジを自動化する
Synthetic テストを最新の状態に保つことは、迅速なリリースにおいて最も時間のかかる作業の 1 つです。新しいフローはテストされないままになり、インターフェイス変更によって既存のスクリプトが壊れ、カバレッジギャップが静かに広がっていきます。Bits Testing Agent は、アプリケーションを自律的に探索し、重要なユーザージャーニーを特定し、URL または自然言語の目標から実行可能なテストスイートを生成することで、Synthetic テストの生成と保守を自動化します。インターフェイスや出力が変化する動的なアプリケーションでは、目標ベースのテストにより、固定された手順ではなく意図した結果を定義できるため、テストが壊れるのではなく適応します。スケジュールされた探索により、手作業を介さずにカバレッジを継続的に最新の状態に保てます。詳細については、ブログ記事をお読みくださいをご覧ください。Bits Testing エージェントを使用してテストカバレッジの自動化を開始するには、プレビューにご参加ください。をご覧ください。
エージェント型スタックのデータ基盤
Bits Data Analysis でビジネス上の質問に質の高い回答を得る
Bits Data Analysis は、収益、営業パイプライン、解約、製品導入など、ビジネスに関する自然言語の質問に回答します。この機能は Datadog Data Context によって実現されています。Datadog Data Context は、Tableau、Looker、Power BI、Fivetran、データウェアハウス、 Data Observabilityなどのソースから、テーブルの説明、メトリクス定義、鮮度や品質のシグナル、リネージを取得するナレッジベースです。さらに、 Product Analytics、上流アプリケーション、ソースコードからのビジネスコンテキストで強化し、数か月に及ぶ手作業のセマンティックレイヤー構築を置き換えます。Bits Data Analysis は、一般的な BI ツールにとどまらず、メトリクスが変化した理由まで説明できます。たとえば、収益の落ち込みを、レイテンシが急増したチェックアウトサービスのデプロイにまで遡って特定できます。Context Workbench は、Slack、Datadog ウェブアプリ、Claude Code や Codex などのコーディングエージェント、Datadog API を横断して、エージェントの利用状況を観察できる専用の場所をデータチームに提供します。そこから、管理者は実際のユーザーの質問から評価を定義し、回答の品質を向上させることができます。
Bits Data Analysis により、データチームはパイプラインの正常性、データ品質、データコンテキスト、エージェントの回答、信頼度指標、コンテキストレイヤーへの変更を制御する評価スイートまで、エンドツーエンドのガバナンスとオブザーバビリティを得られます。Bits Data Analysis について詳しくは、ブログ記事をご覧いただくか 、 プレビューにサインアップしてください。
Infinite Cardinality Metrics で現代に適したカスタムメトリクスを活用する
現代のシステムは、かつてないほど多くのテレメトリーデータを生成します。SRE チームは、テナント、地域、機能フラグごとのレイテンシを追跡します。AI を活用して開発するエンジニアは、エージェント実行のあらゆるステップでシグナルを追跡します。チームが必要とするディメンションは、テナント、ユーザー、デバイス、モデル、リージョン、実行パスなど、増え続けています。しかし、テレメトリデータが詳細になるほど、カーディナリティが壁になります。
本日、現代のシステム運用に合わせて設計されたカスタムメトリクスの新しい料金オプション、Infinite Cardinality Metrics を発表します。Infinite Cardinality Metrics はエージェント型のクエリと探索を想定して設計されているため、チームやエージェントはメトリクスに対して自由に問いかけることができます。カーディナリティの高さに関係なく、重要な属性とディメンションをすべて取得できる自由を提供します。Infinite Cardinality Metrics はメトリクス名ごとの料金体系で、カーディナリティではなくデータ量に応じてスケールするため、コンテキストを追加してもコストを予測しやすくなります。
Infinite Cardinality Metrics は現在一般提供されています。詳細については、ドキュメントをご覧いただくか、 専用ブログ記事をお読みください。
エージェント型スタックを構築してモニタリングする
Datadog Agent Console でエージェントの導入状況をモニタリングする
コーディングエージェントの利用がチーム全体に広がる中、エンジニアリングリーダーが支出を正当化するには、単なる成功事例以上のものが必要です。誰がエージェントを使っているのか、デリバリーが改善しているのか、どこでコストが無駄になっているのかを把握する必要があります。Datadog Agent Console は、Claude Code、Cursor、GitHub Copilot などのコーディングエージェントや、Datadog 独自の Bits AI エージェントのアクティビティを統合ビューで表示します。導入分析、エンジニアリングへの影響メトリクス、支出の按分、自動無駄検出も組み込まれています。Agent Console は、次の 3 つの実践的な質問に答えるのに役立ちます。
組織内でコーディングエージェントを最も多く使っているのは誰か。
ユーザーはエージェントで何をうまく行えており、どこで苦労しているのか。
AI 支出はエンジニアリング成果とどのように相関しているのか。
Agent Console は、 ドキュメントから今すぐご利用を開始できます。機能の詳細については、ブログ記事をご覧ください。
Agent Observability の Patterns で本番環境の LLM の挙動を理解する
LLM を活用したアプリケーションをデプロイすると、本番トラフィックが想定どおりに動作することはほとんどありません。ユーザーが想定範囲外の質問をしたり、会話の途中で目標が変わったり、予期していなかったワークフローが現れたりします。Datadog LLM Observability の Patterns は、事前定義されたカテゴリや手動ラベル付けを必要とせず、インタラクションを行動グループに自動的にクラスタリングすることで、本番環境で実際に何が起きているかを把握できるようにします。各クラスタは、トラフィック量、レイテンシ、インタラクションあたりのコスト、エラー率、評価スコアなどの運用シグナルと品質シグナルを提示します。これにより、どのユーザー行動カテゴリが回帰やコスト増加を引き起こしているかをすぐに特定できます。詳細については、専用ブログ記事をお読みください。早期アクセスをリクエストするには、プレビューにサインアップしてください。
Bits Evals で AI エージェントの品質を向上させる
AI エージェントのデバッグと改善のプロセスには、一貫したパターンがあります。チームはユーザーシグナルを収集し、トレース内の失敗を調査し、プロンプトやワークフローを変更し、その変更を評価や実験で検証したうえで、デプロイ後の結果をモニタリングします。エンジニアはこの作業の多くを手作業で行う必要があり、必要なコンテキスト (トレース、データセットレコード、プロンプトバージョン) は複数のツールセットに分散しています。Bits Evals は、AI エージェント開発ループの反復的な部分を処理しながら、重要な判断はエンジニアがコントロールできるようにするエージェント型機能のセットです。エージェントのパフォーマンスに関する完全なコンテキストを可視化することで、Bits は仮説を立て、トレース、データセットレコード、評価出力を証拠として照合しながら即座に検証できます。また、プロンプト変更の提案、データセットギャップのフラグ付け、新しい評価カバレッジの提案、見落としていた回帰の提示によって、問題への対処も支援します。これにより、手作業でトレースを読み解く時間が何時間も削減され、エンジニアは判断に必要な入力情報を集めるのではなく、判断そのものに時間を使えるようになります。詳細はブログ記事をご覧ください、または プレビューにサインアップしてください。
エージェント型スタックを保護する
Datadog AI Guard でエージェント型 AI アプリケーションを保護する
AI Guard は、カスタム AI エージェントをプロンプトインジェクション、ツールの誤用、データ流出、その他の OWASP Top 10 脅威から保護するのに役立ちます。環境内の保護されていないエージェントを検出し、挙動と過去のコンテキストを分析して、ランタイムで攻撃を検知・ブロックできるよう支援します。さらに、 悪意のあるスキル、スクリプト、設定、パッケージに対するコーディングエージェントの多層防御も提供します。AI Guard はエージェントの処理経路に直接組み込まれ、リアルタイムのセキュリティガードレールを提供するため、セキュリティを損なうことなく AI エージェントを迅速にデプロイできます。
AI Guard は現在限定提供されています。早期アクセスを希望する場合はサインアップしてください。
Datadog Runtime Prioritization Engine で脆弱性ノイズを 95% 以上削減する
セキュリティチームは検出結果に溺れており、そのうちどれが実際のリスクをもたらすのかを確実に見極める方法がありません。Datadog Runtime Prioritization Engine は、ランタイム挙動、到達可能性、サービスオーナーシップ、ビジネスへの影響を単一の優先順位付けモデルに統合し、最重要サービスに関連する脆弱性を提示して、修正可能なエンジニアリングチームに直接ルーティングします。ワンクリック修復と Bits Code により、手作業のトリアージや煩雑な引き継ぎなしで、検出結果を検知から完了まで進められます。ご利用を開始するには、プレビューにサインアップしてください。
