Obseria Research: die Wissenschaft hinter zuverlässigen Systemen
Wir erforschen, wie Maschinen Softwarefehler mit Belegen erklären, Telemetrie effizient speichern und Observability offen und datenschutzfreundlich bleibt.
Woran Obseria Research arbeitet
Unsere Forschungsfragen stammen aus echten Betriebsproblemen und landen im Produkt.Kausale Inferenz für Root Cause
Topologie und Change-Events nutzen, um Ursachen von Symptomen zu trennen, statt korrelierte Metriken zu ranken.
Anomalieerkennung und Prognosen
Saisonalitätsbewusste Baselines und Prognosen, die sich an veränderte Workloads anpassen und Alert-Rauschen gering halten.
Agentische Analysen
KI-Agenten, die Telemetrie schrittweise abfragen und jede Schlussfolgerung in einer prüfbaren Beweiskette dokumentieren.
Effiziente Telemetrie-Speicherung
Spaltenorientierte Layouts, Kompression und Schema-on-Read für ein indexfreies Lakehouse im Petabyte-Maßstab.
Sampling
Tail-based und adaptives Sampling, das relevante Traces behält und gleichzeitig Volumen und Kosten begrenzt.
LLM-Evaluierung
Methoden, um Qualität, Faktentreue und Sicherheit von LLM- und Agenten-Ausgaben im Produktivbetrieb zu messen.
Unsere Mission: überprüfbare Antworten
Obseria Research will komplexe Softwaresysteme verständlich machen. Wir konzentrieren uns auf Methoden, die erklären, warum etwas passiert ist, nicht nur dass es passiert ist. Jedes Ergebnis muss unter Produktionsbedingungen bestehen: verrauschte Daten, lückenhafte Instrumentierung und ständiger Wandel.
- Fragestellungen aus echten Incidents und Betriebsabläufen
- Ergebnisse gemessen an reproduzierbaren Evaluierungs-Setups
- Erklärbare Ergebnisse, die Engineers prüfen und hinterfragen können
Open-Source-Beiträge zu OpenTelemetry, Prometheus und Perses
Observability sollte auf offenen Standards beruhen. Unsere Engineers tragen zu OpenTelemetry, Prometheus und Perses bei, etwa zu Semantic Conventions, Collector-Komponenten, Spezifikationsdiskussionen und Dashboards-as-Code-Werkzeugen. Was wir in der Forschung lernen, geben wir an diese Communities zurück.
- OpenTelemetry: Semantic Conventions, Collector- und SDK-Arbeit
- Prometheus: Kompatibilität und Query-Engine-Themen
- Perses: offene Dashboards-as-Code-Spezifikation
- OTLP rein und raus, Ihre Daten sind nie gebunden
Forschungsprinzipien: Belege, Erklärbarkeit, Datenschutz
Belege gehen vor Vermutungen: Jede Aussage zur Ursache muss auf die Daten verweisen, die sie stützen. Modelle müssen so erklärbar sein, dass Engineers in Rufbereitschaft ihnen vertrauen oder sie verwerfen können. Datenschutz ist nicht verhandelbar: Kundendaten werden nie zum Training von KI-Modellen verwendet.
- Belege statt Vermutungen: jede Schlussfolgerung verweist auf ihre Daten
- Erklärbarkeit statt Blackbox
- Kundendaten werden nie für Training verwendet
- PII-Maskierung und Feldrechte gelten auch für Forschungswerkzeuge
Von der Forschung ins Produkt, gemeinsam mit Hochschulen
Forschung bei Obseria ist in kleinen Teams organisiert, die direkt mit dem Product Engineering arbeiten, damit aus Prototypen Funktionen werden und keine Foliensätze. Über die University Alliance arbeiten wir mit Lehrenden und Studierenden an Observability-Lehrinhalten. Wenn Sie diese Fragen reizen: Wir stellen ein.
- Gemeinsame Roadmaps von Forschungs- und Produktteams
- Ergebnisse veröffentlicht im Engineering-Blog
- University Alliance für Lehre und studentische Projekte
- Offene Stellen in Forschung, Data und Platform Engineering
Wie Forschung ins Produkt gelangt
- Schritt 1
Problem beobachten
Wir starten bei echten Betriebsproblemen: laute Alerts, langsame Ursachenanalyse, steigende Telemetriekosten.
- Schritt 2
Prototyp und Evaluierung
Ideen werden in reproduzierbaren Evaluierungs-Setups geprüft, bevor sie Kunden erreichen.
- Schritt 3
Mit Belegen ausliefern
Funktionen erscheinen in Obseria Intelligence, Pipeline oder Lake, mit eingebauten Erklärungen und Kontrollen.
- Schritt 4
Teilen und beitragen
Erkenntnisse veröffentlichen wir im Blog und geben sie, wo passend, an Open Source zurück.
Neu im Engineering-Blog
Migration zu OpenTelemetry: proprietäre Agents schrittweise ablösen
Artikel lesenOpenTelemetry Collector in Produktion: Best Practices für SREs
Artikel lesenTail-based Sampling im OpenTelemetry Collector: Alle Fehler behalten, 80 % der Kosten sparen
Artikel lesenHäufig gestellte Fragen
Mit kausaler Inferenz für die Root-Cause-Analyse, Anomalieerkennung und Prognosen, agentischen Analysen mit Beweiskette, effizienter Telemetrie-Speicherung und Kompression, Sampling sowie LLM-Evaluierung.
Nein. Kundendaten werden nie zum Training von KI-Modellen verwendet. Die Forschung stützt sich auf synthetische, öffentliche oder intern erzeugte Daten.
Ja. Unsere Engineers tragen zu OpenTelemetry, Prometheus und Perses bei, und Obseria unterstützt OTLP für Ingestion und Export, damit Sie nie gebunden sind.
Forschungsteams arbeiten direkt mit dem Product Engineering. Ergebnisse werden reproduzierbar evaluiert und anschließend in Obseria Intelligence, Pipeline oder Lake mit eingebauten Erklärungen ausgeliefert.
Ja. Die University Alliance unterstützt Lehrende und Studierende. Das Forschungsteam erreichen Sie über die Kontaktseite, offene Stellen finden Sie auf der Karriereseite.
Machen Sie Systeme mit uns erklärbar
Folgen Sie unserem Engineering-Blog oder verstärken Sie das Team für kausale KI und offene Telemetrie.