В крупных компаниях быстро растет не только количество баз данных, но и стоимость их эксплуатации. Чем больше экземпляров находится под управлением, тем больше времени администраторы тратят на мониторинг, диагностику, поиск причин проблем и повторяющиеся операции.

Искусственный интеллект позволяет изменить эту зависимость. Он может автоматизировать не только сбор и отображение показателей, но и их анализ: выявлять потенциальные проблемы, определять приоритеты, искать причины отклонений и формировать рекомендации. В результате часть работы, которая раньше требовала постоянного участия специалиста, передается системе, а стоимость эксплуатации большого парка СУБД может расти медленнее самого парка.

В «Тантор Лабс» этот тренд был замечен задолго до того, как платформенный подход стал массовым направлением развития рынка. Развитие продуктов компании велось не только в области СУБД, но и в создании комплексной экосистемы управления PostgreSQL-инфраструктурой. В Tantor Postgres 18 такой подход реализован вместе с Платформой Tantor, которая поставляется в составе любой редакции СУБД. ИИ-мониторинг становится частью эксплуатационного контура и позволяет перейти от простого наблюдения за большим парком баз данных к его интеллектуальному анализу. А реализованное в версии 7.1 непрерывное ИИ-самолечение выявляет проблемы, применяет исправления по заданным правилам и проверяет результат - всё под контролем администратора. Обе эти возможности на российском рынке впервые представила именно «Тантор Лабс».

Отклонение не всегда выглядит как очевидный сбой. База данных может продолжать работать, но постепенно терять производительность, испытывать дефицит ресурсов или менять профиль нагрузки. Администратору нужно не только заметить изменение, но и понять, насколько оно существенно, что стало его причиной и какие действия имеет смысл предпринять.

Традиционный мониторинг отвечает прежде всего на вопрос «что происходит с системой». Метрики, графики, события и пороговые значения позволяют обнаружить отклонение, после чего начинается работа администратора: сопоставить показатели, найти взаимосвязи, сформировать гипотезы и проверить их. При небольшом количестве экземпляров такая модель вполне работоспособна, но по мере роста инфраструктуры всё больше времени уходит на обработку самого потока эксплуатационной информации. Именно здесь искусственный интеллект призван масштабировать подход к работе с СУБД.

ИИ позволяет перенести часть этой работы с человека на систему. Она может самостоятельно анализировать состояние СУБД, выявлять потенциальные проблемы и формировать рекомендации. Этот подход впервые на российском рынке реализован в Платформе Tantor 7.0. Система анализирует состояние экземпляров PostgreSQL и PostgreSQL-совместимых СУБД, обнаруживает потенциальные проблемы и рекомендует практические шаги.

Сам по себе доступ языковой модели к диагностическим данным ещё не создает промышленного ИИ-мониторинга как такового. Можно подключить модель через MCP-коннектор, предоставить ей набор инструментов и попросить каким-то образом проанализировать состояние базы, но для корпоративной инфраструктуры этого недостаточно. Важен весь контур взаимодействия между моделью и СУБД: какой контекст получает модель, какие действия ей доступны, как контролируются диагностические операции и что произойдёт, если модель ошибется.

В Платформе Tantor для этого используется специальный управляемый слой между ИИ и СУБД. Он определяет доступные модели и сценарии работы, контролирует контекст и действия системы и позволяет отделить интеллектуальный анализ от непосредственно выполняемых операций.

Это особенно важно при глубокой диагностике. Для поиска причины сложной проблемы ИИ-модели может потребоваться самостоятельно исследовать состояние СУБД и задавать дополнительные диагностические запросы. При этом возможность такого исследования должна существовать внутри контролируемого эксплуатационного контура, а не превращаться в неограниченный доступ модели к рабочей базе.

Следующий шаг — дать системе возможность не только объяснять, что происходит с базой, но и самостоятельно проводить расследование. Если для ответа недостаточно имеющихся метрик, агент может сформулировать дополнительную задачу, получить необходимые данные и продолжить анализ. При этом речь идёт не о свободном доступе модели к базе: действия выполняются через контролируемый контур с заданными ограничениями.

Таким образом, использование ИИ-мониторинга нельзя строить только на инструкции для модели или надежде на её корректное поведение. Модель сегодня одна, а завтра может быть другой. Ограничения должны задаваться самой системой и не зависеть от того, насколько хорошо конкретная модель соблюдает полученные указания.

Одновременно слишком жёсткий набор заранее подготовленных инструментов тоже ограничивает возможности диагностики. В сложных сценариях заранее невозможно предусмотреть все данные, которые могут понадобиться для поиска причины проблемы. Поэтому промышленный ИИ-мониторинг должен сочетать два требования: давать модели достаточно возможностей для исследования и при этом контролировать границы ее работы.

Один из элементов ИИ-мониторинга Tantor — многофакторная оценка состояния экземпляров. Вместо самостоятельного анализа большого количества показателей администратор получает сводную оценку состояния и может перейти к деталям, которые повлияли на результат. Такой подход важен именно для больших инфраструктур. Если у администратора несколько экземпляров, он может самостоятельно просмотреть их состояние. Когда количество систем растёт, сначала нужно определить, какие из них требуют безотлагательного внимания.

ИИ в этом случае становится механизмом приоритизации. Он помогает отделить нормальное поведение от потенциально проблемного и сфокусировать внимание специалиста на системах, где действительно есть повод для дальнейшего исследования.

При этом ИИ-мониторинг не отменяет традиционные механизмы контроля. Правила, метрики и заданные условия продолжают работать, а интеллектуальный анализ добавляет к ним возможность оценивать совокупность признаков и формировать рекомендации.

Для большого парка СУБД важен не только сам анализ, но и организация регулярной диагностики. Разные базы данных работают с разной нагрузкой, поэтому одинаковый режим проверок для всех экземпляров не всегда рационален.

Платформа Tantor может анализировать профиль нагрузки экземпляра и выбирать период минимальной активности для проведения диагностики. Частота проверок также может зависеть от результатов предыдущего анализа: если система обнаруживает проблемы, ей требуется более пристальное наблюдение.

В результате часть рутинной работы по организации мониторинга передается самой платформе. Администратору не нужно вручную определять режим диагностики для большого количества экземпляров.

Главный эффект ИИ связан не с появлением ещё одного интерфейса, а с изменением распределения работы между человеком и системой. В традиционной модели администратор сам проходит большую часть пути от обнаружения отклонения до определения причины. Он видит сигнал, изучает показатели, сопоставляет данные, проверяет гипотезы и принимает решение.

При использовании ИИ часть этого пути автоматизируется. Система может проанализировать состояние, выделить потенциальную проблему, собрать необходимый контекст и предложить дальнейшие действия. Администратор при этом сохраняет контроль над решением и отвечает за применение изменений.

Дальше логика развития естественным образом приводит к автоматизации отдельных действий. Система может не просто рекомендовать выполнить VACUUM или изменить параметр, а подготовить и выполнить действие в разрешённом сценарии, после чего проверить его результат. Если состояние базы ухудшилось или появились побочные эффекты, изменение может быть автоматически отменено.

Особенно актуально это становится для инфраструктур с большим количеством экземпляров. Проблема здесь уже не только в производительности отдельных операций DBA, а в том, сколько систем способен эффективно сопровождать один специалист.

Ключевым элементом новой архитектуры становятся наборы готовых сценариев диагностики и оптимизации («плейбуки»). «Плейбук» описывает последовательность действий при возникновении определенной ситуации: какие данные необходимо собрать, какие проверки выполнить, как интерпретировать результаты и какие шаги рекомендовать для устранения проблемы. Этот подход позволяет превратить многолетний опыт эксплуатации PostgreSQL-систем в воспроизводимый процесс.

Например, агент может автоматически запускать специализированные сценарии для анализа блокировок в системах 1С, выявления проблем с автовакуумом (autovacuum), поиска избыточного разрастания таблиц и индексов (bloat), анализа нагрузки на подсистему хранения данных, диагностики тяжелых запросов или выявления неэффективного использования временных таблиц.

Вместо изучения десятков графиков и журналов администратор получает уже готовые результаты расследования и рекомендации по дальнейшим действиям.

При этом организация не ограничивается встроенными сценариями. Существующие «плейбуки» можно модифицировать, а новые — создавать самостоятельно, формируя внутри платформы собственную базу знаний и накопленную экспертизу.

Следующий этап — Managed Agents: агенты, которые могут запускаться не только по запросу администратора, но и по расписанию, событиям базы данных, алертам или внешним сигналам. В таком режиме агент способен самостоятельно выполнять длительные задачи по администрированию, разработке и миграции БД и аналитике.

Платформа Tantor подходит для любых СУБД на базе PostgreSQL и развивается в рамках технологической экосистемы «Тантор Лабс» — от СУБД Tantor Postgres до специализированных решений для высокопроизводительных нагрузок. Сюда относятся машины баз данных Tantor XData Gen3 и применяемая в них Tantor Polar — 100% совместимая с PostgreSQL распределённая СУБД, построенная на архитектуре разделения вычислений и хранения.

Единый контур разработки позволяет переносить наиболее востребованные технологии между продуктами. Решения, изначально созданные для высокопроизводительных систем, со временем становятся доступными и в Tantor Postgres, расширяя круг применения в корпоративных сценариях.

При этом новые технологии должны быть не только производительными, но и готовыми к промышленной эксплуатации. Поэтому развитие СУБД идёт параллельно с развитием единого контура управления ими. Платформа Tantor объединяет мониторинг и администрирование СУБД на базе PostgreSQL и поставляется в составе любой редакции Tantor Postgres.

Следующий этап развития AI-first подхода — ИИ-DBA, который сможет самостоятельно выполнять отдельные административные сценарии, по крайней мере для тестовых сред. Реалистичная модель предполагает постепенную передачу ИИ повторяющихся операций, сначала в контролируемых сценариях и с сохранением контроля со стороны специалиста.

Логика развития получается последовательной: система сначала собирает информацию о состоянии СУБД, затем самостоятельно анализирует её, выявляет проблемы и формирует рекомендации, а после этого получает возможность выполнять часть действий.

В такой модели ИИ становится не заменой DBA, а дополнительным уровнем автоматизации его работы.

Итак, рост количества баз данных неизбежно увеличивает объем работы администратора. При этом далеко не все операции требуют уникальной экспертизы: значительная часть времени может уходить на постоянный анализ показателей, поиск отклонений и первичную диагностику.

Именно здесь ИИ способен изменить экономику эксплуатации. Его задача не в том, чтобы заменить специалиста, а в том, чтобы убрать часть ручной работы, которая плохо масштабируется вместе с инфраструктурой.

Для Tantor это означает развитие не только самой СУБД, но и способа работы с ней. База данных должна справляться с растущей сложностью корпоративных нагрузок, а инструменты эксплуатации — с растущей сложностью самого парка СУБД. ИИ-мониторинг становится следующим уровнем развития инструментов управления: от фиксации показателей — к анализу состояния, от обнаружения проблемы — к поиску причин, а в перспективе — к контролируемому выполнению действий.

Корпоративные СУБД приобретаются на длительный срок, и при выборе платформы важно смотреть не только на текущий функционал, но и на направление развития — насколько быстро вендор внедряет новые архитектурные подходы, автоматизацию и ИИ, насколько способен предлагать решения, которые формируют рынок, а не повторяют уже существующие практики.

Возможности ИИ-самолечения

Дашборд администратора

AI-first:
продвинутое контекстное взаимодействие

Управление кластерами Patroni

Просмотр топологии кластеров

Управление правилами доступа

Анонимизация конфиденциальной информации

Профилирование запросов и аналитика

Планировщик заданий

SQL-редактор

Обслуживание

Группы параметров

Мультитенантность

Инспекция уязвимостей

Централизованное управление c ИИ

ИИ-мониторинг и администрирование любых БД Postgres

Рекомендации по настройкам серверов

Выявление неоптимальных запросов

Заблаговременные оповещения об инцидентах

Автоматизация рутинных операций

Низкий порог вхождения для администраторов БД

Маскирование конфиденциальных данных