שיעורי אמינות מקצוות הרשת ב-SREday NYC
אמ;לק
מובילי אמינות ומומחי תחום ב-SREday NYC בחנו כיצד AI, אספקה מהירה יותר ומערכות מורכבות מגבירים את הצורך בהקשר תפעולי מבוסס. הדיונים הדגישו את החשיבות של הבנה עמוקה של פעולות ותהליכים בסביבות מודרניות מורכבות.
סיכום בעברית: מערכת VibeSec · מדיניות המקורות
נוסף ל-VibeSec:
כותרת מקורית: Reliability Lessons From the Edges at SREday NYC
התוכן המלא בעברית
תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.
60% מהמסילות של מערכת הרכבת התחתית של ניו יורק נמצאות מתחת לאדמה. אך ישנם גורמים סמויים רבים נוספים ששומרים על הכל מתפקד. כל רכבת מגיעה בזכות אותות, מתגים, חשמל, ניתוב, חלונות תחזוקה ושיקול דעת אנושי, שכולם מסתנכרנים כל כך טוב עד שהנוסעים מבחינים במערכת רק כשמשהו משתבש. זה נכון גם לגבי היישומים והמערכות המבוזרות שאנו בונים בארגון, נושא שעמד בראש מעייניו של כנס SREday NYC Q2 2026.
כ-100 מהנדסי אמינות אתרים (SRE), סטודנטים ואנשים נוספים בעלי רקע טכני המתעניינים במערכות בעלות תפוקה גבוהה וניתנות להרחבה, התאספו במשרדי Datadog בתוך בניין ה-New York Times ליום שלם של הרצאות ושיחות. עשרים מומחי תוכן העבירו הרצאות וסדנה קצרה, שכיסו מגוון רחב של נושאים סביב אופן השמירה על האפליקציות שלנו פועלות ועל הצגת נורות ירוקות בלוחות המחוונים, וכן כיצד להתכונן למתן מענה בביטחון ולהגיב כאשר מתרחש כאוס. מהשיחות במהלך היום היה ברור שאמינות מודרנית תלויה בהבנת המערכות שמתחת לפני השטח לא פחות מאשר ביישומי הייצור הסופיים. להלן כמה דגשים ממהדורה זו של SREday.
בניית World Model for Production
Shreyas Iyer, מייסד שותף ו-CTO ב-Antimetal, הציג את "Building a World Model for Production". הוא טען ש-AI הפך את הבנייה וההפצה לקלים יותר באופן משמעותי, אך מערכות הייצור שלנו נותרו לרוב מתועדות בצורה לקויה, בעוד שהקשרים בין כל הרכיבים ממשיכים להתפתח ללא הרף. הדבר יוצר פער בייצוג, שבו ההתנהגות האמיתית של המערכת עולה על יכולתו של כל אדם להחזיק את התמונה המלאה בראשו.
נקיטת פעולה היא החלק הקל עבור סוכני AI, ככל שאנו בונים כלים טובים יותר לאחזור נתונים וביצוע משימות. החלק הקשה הוא החזקת כל ההקשר הרלוונטי הדרוש כדי לנקוט בפעולה ה"נכונה". סוכן שימושי צריך לדעת מה קיים, מה השתנה, כיצד התנהגות מתפשטת ומה המשמעות של מערכות אלו עבור בני האדם המנהלים אותן. Shreyas דוגל באימוץ נרחב יותר של מודל עולמי שנבנה באופן שיטתי על סמך ארבעה עמודי תווך של ידע:
• מבני - מהם הרכיבים וכיצד הם מתקשרים?
• סמנטי - כיצד בני אדם מתייחסים למערכת?
לדוגמה, כאשר שיעור השגיאות של היצואן עולה, סוכן אמור להיות מסוגל לפתור את ההתראה לשירות ולבעלים ספציפיים, למפות תלות, למצוא שינויים אחרונים ולאתר גורמים סבירים, בדיוק כפי שמפעיל אנושי מנוסה ובעל ידע יעשה זאת.
קיימים אתגרים אמיתיים שיש לפתור עבור מודלים עולמיים, כמו האופן שבו מתמודדים עם העובדה שכל הנתונים הופכים בסופו של דבר למיושנים. כמו כן, קיימת הדאגה התמידית לגבי האופן שבו אנו מגדירים את המערכות שישמשו כמקור האמת. מודלים עולמיים מתקשים כיום בהכללת משמעות על פני כל הצוותים, כלומר ה'עולם' שהם מייצגים חייב להיות קטן יותר מהאידיאלי. Shreyas טען שהיכולת הטכנית רק תמשיך להוזיל עלויות, אך ההקשר יישאר המרכיב היקר.
כאשר Fast Enough, בממוצע, עדיין נכשל
בהרצאה שלה "When Milliseconds Cost Millions: Designing Low-Latency AI Systems in Fintech", הציגה Anisha Manoharan מ-Bank of Julius Baer את שיחת הפינטק בנושא השהיה (Latency). עבור בנקים ומעבדי תשלומים, מערכת שפועלת "מהר ברוב הזמן" עלולה להוביל לכשלים יקרים. עסקה בודדת עשויה להיראות כמו בקשת JSON נקייה שמחזירה תגובת HTTP 200, אך במציאות קיימים מספר שלבים נסתרים: אימות, בדיקות היסטוריית לקוח, בדיקות סיכוני סוחרים, חישוב מאפיינים, קריאות AI חיצוניות, הסקת מודל, הרצת מנוע חוקים, תיעוד ציות וביקורת תגובות, כדי להבטיח שהעסקה הושלמה.
כל זה צריך לקרות בערך תוך 100 מילישניות, מיליוני פעמים ביום, מסביב לשעון.
לדברי Anisha, מודל ה-AI הוא לרוב לא צוואר הבקבוק עבור מרבית הקריאות. לעיתים קרובות, הכאב האמיתי נמצא בשיחת בסיס נתונים איטית, בחיפוש מאפיינים בתור, או בשירות שאף אחד לא שם לב אליו עד שהתעבורה גוברת. זו הסיבה שצוותי SRE דואגים ל-P99, זמן התגובה של האחוזון ה-99. היא הסבירה שממוצעים משקרים. לדוגמה, ממוצע של 35 מילישניות יכול לגרום ללוח המחוונים להיראות תקין, בעוד ש-1% מהבקשות האיטיות ביותר לוקחות זמן רב מספיק כדי ליצור דחיות שגויות, הונאות שלא זוהו, או חוויות לקוח פגומות. בקנה מידה של פינטק הכולל אלפי עסקאות בשנייה, אפילו 1% של כשל יכול להתבטא בכסף אמיתי שעובר בנתיבים איטיים, פגומים או לא מאובטחים.
Anisha הדגישה את כשלי המפל (Cascade failures) ששירות במעלה הזרם יכול לגרום אם הוא מאט, תורים מצטברים ופסקי זמן (Timeouts) מתרחשים. המשמעות יכולה להיות שהמערכת עשויה "להיכשל במצב פתוח" (Fail open) כדי להמשיך את זרימת התשלומים. עד שלב ההתאמות למחרת בבוקר, לוח המחוונים עשוי עדיין להיראות ירוק בעוד שההפסד כבר נרשם. היא אמרה שאנחנו צריכים "להסתכל על הזנב, לא על הממוצע". יש לבצע אופטימיזציה של חביון, לא רק CPU, ולעצב מערכות עבור תרחישי מפל.
Shifting Left Without Shoving Left
Ian Miller, מנהל הנדסת SRE ב-Seismic, הציג את "Shifting Left - Evolution of the Software Development Life Cycle", שבו תיאר את ה-Shifting Left כיותר מאשר סתם דחיפה של עבודה מוקדם יותר במחזור החיים של פיתוח התוכנה. כפי שהגדיר זאת: "Shifting Left עוסק בהעברת הבעלות, היכולת והאחריות קרוב יותר לאנשים שנמצאים בעמדה הטובה ביותר לפעול לפיהם". כאשר הדבר נעשה בצורה גרועה, הוא מעביר עומס קוגניטיבי לצוותי האפליקציה מבלי להעניק להם את הכלים, ההקשר או מעקות הבטיחות הנדרשים להצלחה. זו הנקודה שהזהיר מפניה.
הוא תיאר כיצד דפוס ה-Shifting Left צמח מעולם המיקרו-שירותים, שם הוא סייע לצוותים להרחיב את הבעלות, אך גם הוסיף תקורה של תיאום. כאשר Kubernetes הפכה לשכבת התפעול המוגדרת כברירת מחדל, המורכבות עברה מצוותי התשתית למפתחים, שנדרשו לפרוס, לנטר ולבצע פתרון תקלות לשירותים שלהם. ה-SRE עקבו אחר אותה מגמה: לצוותים יש כעת יעדים ברמת השירות (SLOs), הם אחראים על ה-On-call עבור הקוד שהם מפיצים, ומבצעים אינסטרומנטציה למערכות שלהם, בזמן שצוות ה-SRE בונה את הפלטפורמה המשותפת שמתחת.
Ian ציין שבצוותים רבים, "Shifting Left" הפך ל-"Shoving Left". ה-AI הופך את ההבחנה הזו לחשובה עוד יותר, שכן יצירת קוד מהירה יותר ויותר Pull Requests לא מגדילות אוטומטית את התפוקה הארגונית. כל הקוד החדש הזה עדיין מסתמך בעיקר על אותם צינורות (Pipelines) שבירים, עם בעלות לא ברורה ויכולות ניטור (Observability) חלשות במורד הזרם. הוא אמר שכל העברה כזו רק מפיצה את המורכבות מחדש; היא לא מבטלת אותה.
העברה שמאלה פועלת כאשר היכולת עוברת מטה דרך כבישים סלולים, פלטפורמות מפתח פנימיות, מדיניות כקוד וכלי שירות עצמי. AI אינה התשובה בפני עצמה. זה רק מגביר את הצוותים והפלטפורמות שכבר יש לך.
כאשר Agents Sound Right And Still Fail
בהרצאה "Perfect Reasoning, Wrong Answer", Willem Pienaar, מייסד שותף ו-CTO ב-Cleric, עשה הבחנה ברורה בין סוכני קידוד לסוכני ייצור והסביר מדוע זה חשוב. בקידוד, הלולאה לרוב סגורה: כתיבת קוד, הרצת בדיקות, כישלון, תיקון והרצת בדיקות שוב. סביבת הייצור שונה. היא פתוחה, דינמית, רועשת וארעית. בניגוד לסביבות קידוד, קשה לשחזר במדויק את תנאי הריצה של העולם האמיתי. אותה תקלה עלולה לא להתרחש באותו אופן פעמיים, והסביבה משתנה ללא הרף.
זה המקום שבו סוכנים הופכים למסוכנים, לדברי Willem. סוכנים יכולים להיצמד לאות הראשון שהם רואים, לטעות ולזהות רעש כגורם לתקלה, להזות הסבר בביטחון, או להיאחז בתקרית עבר שנראית רק במקצת דומה. בתקריות ייצור, תשובה שגויה גרועה יותר מחוסר תשובה, כיוון שהיא מבזבזת זמן על ידי דחיפת הצוותים לעבר תיקונים שלא מטפלים בבעיה האמיתית.
הדרך קדימה היא התבססות על נתונים מוצקים (Grounding). סוכנים זקוקים לאשכול לוגים, הקשר של שירותים ותלויות, חשיבה זמנית וראיות מצוטטות, כדי שבני אדם יוכלו לבקר את שרשרת התמיכה. הם זקוקים גם ללולאה סגורה שבה סביבת הייצור הופכת לשופט: התראה, אבחון, החלת תיקון, וחזרה לקו הבסיס. סוכן אינו יכול לדרג את עבודתו שלו בצורה מהימנה. אימות עצמאי הוא קריטי, כיוון שסוכנים, כמו אנשים תחת לחץ, לרוב לא יודעים מה הם לא יודעים.
ה-End Of Easy Confidence In Dashboards
הלך הרוח ב-SREday New York Q2 2026 היה שהתעשייה נכנסה לשלב חדש של חרדה תפעולית. נראה היה שכל הרצאה התחילה מאותה מציאות: צוותים בונים מהר יותר ממה שהמודלים התפעוליים שלהם יכולים לספוג. ה-AI הפך את המתח הזה לבלתי אפשרי להתעלמות, כיוון שהוא מוסיף מצבי כשל חדשים, עלויות חדשות, דפוסי חביון חדשים, דאגות אבטחה חדשות ועמימות למערכות שכבר היה קשה להבין את ההיגיון שלהן.
החדר בהחלט לא היה אנטי-AI, אבל כולם היו מאוד מודעים לכך ש-AI הסירה את הנוחות הישנה של שינוי איטי. המסר העמוק יותר היה שSRE נמשך חזרה למטרה המקורית שלו: לעזור לארגונים לנוע במהירות מבלי לשקר לעצמם לגבי מהימנות.
כאשר "Working" כבר לא מספיק
"Working" הפכה להגדרה רדודה מדי של מהימנות. מערכת יכולה להחזיר תגובה מוצלחת, להישאר בטווח זמן ממוצע, לעבור בדיקות תקינות בסיסיות, ועדיין להכשיל את המשתמש, העסק או המפעיל. AI הופך את זה לגלוי יותר מכיוון שכשל יכול להיראות כעת כמו תשובה שגויה בטוחה, אסימונים מבוזבזים, פלט לא בטוח, שליפה לקויה או עלייה בעלות ללא שינוי ברור בקוד.
אבל אותו דפוס חל גם מחוץ ל-AI. המשטח יכול להיראות ירוק בזמן שהאמת מסתתרת בזנב, בשרשרת התלות, בפיגור, בתור או בתהליך האנושי מאחורי ההתראה.
Speed Has Outrun Context
דאגה עמוקה יותר בקרב רבים מהדוברים הייתה שהמהירות עקפה את ההקשר (Context). צוותים יכולים להפיץ יותר, לייצר יותר, להוסיף אינסטרומנטציה ולבצע יותר אוטומציה, אך אין זה אומר שהם מבינים יותר. למעשה, כל שכבה חדשה מוסיפה נקודה נוספת שבה המשמעות עלולה ללכת לאיבוד. עוד טלמטריה עלולה להפוך ליותר רעש. עוד שירותים עלולים להפוך לעוד תקורה של תיאום. עוד סיוע מ-AI עלול להפוך לעוד פעולות ללא אימות.
בעיות אמינות מודרניות עוסקות פחות בחוסר נתונים ויותר בחוסר במודל מהימן למשמעות הנתונים. זו הסיבה שחלק כה גדול מהאירוע הצביע על הצורך ב-Grounding. צוותי SRE זקוקים לדרכים טובות יותר לחבר בין מה שהשתנה, מי הבעלים, מה תלוי בו, כיצד המערכת התנהגה קודם, והאם היא חזרה למצב תקין לאחר שננקטה פעולה. סוכני AI, כלי ניהול תקריות, פלטפורמות ניטור וזרימות עבודה של מפתחים הופכים שימושיים רק כאשר הם קשורים לראיות, קווי בסיס, היסטוריה ושיקול דעת אנושי.
SRE הוא הדיסציפלינה של הבנה ותגובה למציאות
מהנדסי SRE מתבקשים להגן על המציאות בתוך מערכות מופשטות יותר ויותר. הענן הסתיר את המכונות, ו-Kubernetes הסתיר את התשתית. ה-AI מסתיר כעת כוונה, היגיון, עלות ואיכות מאחורי פלט שוטף. הדור הבא של עבודת האמינות עוסק בהפיכת השכבות הנסתרות הללו לגלויות שוב.
העתיד של SRE יהיה שייך לצוותים שיכולים להאט מספיק כדי להבין מה ההפקה באמת אומרת, ואז להשתמש בהבנה הזו כדי לנוע מהר יותר בביטחון.
העבודה שלפנינו עוסקת כולה בהקשר
התובנה המרכזית מ-SREday זה היא שעבודת האמינות עוברת לשלב שבו יש להרוויח את הביטחון, בדומה לאמון, ולא להניח שהוא קיים. הצוותים שיזכו להצלחה הרבה ביותר יהיו אלו שיחברו אותות למשמעות, ישמרו על קווי בעלות ברורים, ויוודאו שהמערכת אכן בריאה מנקודת המבט של המשתמש. נורות ירוקות עדיין חשובות, אך הן כבר לא יכולות להוות את כל הסיפור.
אין להאט את החדשנות בדרך קדימה בזמן שאנו פועלים להגברת המהירות בצורה אחראית יותר. התייחסתי לנושא זה חזיתית בהרצאה על ביסוס כל מנגנוני האימות על זהות (Identity) ולא על הרשאות קבועות (Standing privilege). למרות שזה עשוי להרגיש כמו עבודה נוספת בטווח הקצר, היתרונות לטווח הארוך מאפשרים את קנה המידה הדרוש תוך ביטול קטגוריה שלמה של סיכוני אבטחה.