1
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

DASH by Datadog 2025 Keynote 最速Youtubeレポート

Last updated at Posted at 2025-06-12

Datadog DASH 2025 イベントレポート

DASHとは?

2025年6月9日から11日にかけて、米国ニューヨークのJavits Centerにて、Datadogの年次カンファレンス「DASH 2025」が開催されました。本カンファレンスは、クラウド時代のアプリケーション監視とセキュリティをリードするDatadogの最新動向と業界の未来を体感できる場として、世界中から多くの開発者、運用担当者、セキュリティ専門家が一堂に会しました。

概要

今年のDASHで最も強く打ち出されたテーマは、間違いなく「AI」でした。

基調講演では、DatadogがAIをプラットフォームの中核に据え、単なる可観測性(オブザーバビリティ)ツールから、問題の検知、分析、さらには自律的な修復までを行うインテリジェントなプラットフォームへと進化させていくという明確なビジョンが示されました。

特に、AIワークロード自体の監視や、AIを活用した運用・セキュリティ業務の自動化に焦点が当てられ、数々の新機能が発表されました。

ハイライト:AIによる自律運用・セキュリティの新時代へ

今回の発表の目玉は、AIアシスタント「Bits AI」をエンジンとした、プロアクティブ(能動的)かつ自律的な新機能群です。これらは、インシデント対応や根本原因分析といった複雑なタスクをAIが代行・支援する未来を強く印象付けました。
https://www.datadoghq.com/ja/product/platform/bits-ai/

また、OpenAIやCursorといった企業とのパートナーシップ強化も発表され、開発ライフサイクルの早い段階からDatadogのインテリジェンスを活用できるエコシステムの広がりも示されました。

学びと交流の場としてのDASH

DASHは新機能発表の場であると同時に、世界最大級のDatadogコミュニティイベントでもあります。
80以上の技術セッション、20を超えるハンズオンワークショップでは、クラウドネイティブ技術、OpenTelemetry、LLMの観測といった最先端のテーマが扱われました。参加者は、具体的なベストプラクティスを学び、同じ課題を持つ世界のエンジニアと直接交流することで、新たな知見を得る貴重な機会となりました。

総括

Datadog DASH 2025は、同社がAIの力を最大限に活用し、オブザーバビリティとセキュリティの領域に大きな変革をもたらそうとしていることを強く印象付けるイベントでした。

発表された新機能は、日々の運用・開発業務をより高度で自律的なものへと進化させる可能性を秘めています。Datadogは、ITシステムの「観測」から「自律制御」へと、その役割を大きく広げようとしています。

注目の新サービスと関連リンク

データドッグ(Datadog)の最新機能とAI活用の概要

データドッグの概要とイベントの開始 (00:00:00)

データドッグの重要性と役割 (00:01:01)

  • データドッグは、ITシステム全体の透明性を提供するためのモニタリングツール。

  • 複雑なIT環境を管理し、問題を早期に発見し、迅速に原因を特定する能力を持つ。

  • 「Data Dog Synthetics」により、手動テストから自動化されたスモークテストプロセスへの移行が可能。

データドッグのAI機能とパートナーシップ (00:02:18)

  • AI機能「Bits AI」によるインシデントの要約と迅速な解決支援。

  • データドッグは、AIやWeb3の分野で進化するニーズをサポートするために戦略的パートナーシップを構築。

CEOオリヴィエ・ポメルの基調講演 (00:03:19)

データドッグのビジョンと目標 (00:03:37)

  • データドッグは、AIの進化に伴う複雑性とリスクを管理し、顧客が技術の波に乗るのを支援。

  • R&Dへの継続的な投資を通じて、顧客の成功をサポート。

AIと複雑性の管理 (00:05:00)

  • AIの進化により、変化の速度が加速。

  • データドッグは、アプリケーションの観察、理解、セキュリティの確保、行動の自動化を支援。

AIラボと新しいモデル「Toto」の発表 (00:07:01)

TotoモデルとBoomベンチマーク (00:07:34)

  • データドッグのAIラボが開発した時系列データ用の基盤モデル「Toto」。

  • オープンサイエンスの精神で、Hugging Faceで無料公開。

業界特化型モデルの可能性 (00:07:47)

  • コーディングモデルやセキュリティモデルなど、特定の業界に特化したAIモデルの重要性。

  • データドッグのAI技術が、日常業務にどのように役立つかを探求。

Bits AIの進化と実演 (00:09:03)

Bits AIの新機能 (00:09:40)

  • ダッシュボードやデプロイメント変更を含むデータの範囲を拡大。

  • 根本原因分析を深めるための「5つのなぜ」フレームワークの採用。

  • 学習機能を追加し、過去の調査から得た知識を活用。

Bits AIの実演 (00:11:15)

  • 高遅延のエンドポイント問題を数分で特定し、根本原因を特定。

  • 仮説ツリーを使用して、複数の原因を同時に調査。

  • Slackやチケッティングツールへの自動通知機能。

インシデント対応の進化 (00:15:30)

音声インターフェースの導入 (00:15:37)

  • 音声AIを活用して、リアルタイムでインシデントの詳細を取得。

  • Slackチャンネルへの自動投稿や次のステップの提案。

インシデントドキュメントとステータスページ (00:17:50)

  • インシデントドキュメントがリアルタイムで更新され、SlackやMicrosoft Teamsと同期。

  • 新機能「データドッグステータスページ」により、顧客向けのステータス更新が簡単に。

セキュリティ分野でのAI活用 (00:21:00)

Bits AIセキュリティアナリスト (00:21:56)

  • SIM信号の調査を自動化し、30分の作業を30秒に短縮。

  • MITER ATT&CKフレームワークを活用した調査プロセス。

自動化されたアクションとケース管理 (00:24:32)

  • ユーザーの隔離やケース作成などのアクションをAIが提案。

  • セキュリティエージェントと共同で迅速な対応が可能。

開発者向けAIエージェント (00:27:06)

Bits AI Dev Agentの概要 (00:27:32)

  • ランタイムエラーやセキュリティ脆弱性を自動的に検出し、修正案を生成。

  • GitHubでのPR作成とテストケースの追加を自動化。

Dev Agentの実演 (00:28:28)

  • スライス境界エラーを特定し、修正案をSlackで通知。

  • 修正案のレビューとマージが数分で完了。

アプリケーションパフォーマンス管理 (APM) (00:32:04)

APM Investigatorの導入 (00:32:29)

  • 高遅延の根本原因を迅速に特定。

  • 正常なトレースと遅延トレースの比較を提供。

プロアクティブな推奨事項 (00:34:45)

  • サービスやデータベースのパフォーマンス改善案を提示。

  • ユーザーセッションリプレイを活用して問題を特定。

内部開発者ポータル (IDP) (00:39:51)

IDPの機能と利点 (00:40:18)

  • ソフトウェアカタログでシステム全体を可視化。

  • スコアカードでベストプラクティスの遵守状況を確認。

自己サービスアクションとApp Builder (00:42:13)

  • インフラ管理を簡素化するテンプレートを提供。

  • App Builderを使用して、AIがテンプレート作成を支援。

MCPサーバーとエージェント統合 (00:48:45)

MCPサーバーの概要 (00:49:25)

  • データドッグのデータとツールをAIエージェントで活用可能に。

  • ライブロックポイントを使用して、リアルタイムのデバッグデータを収集。

OpenAIとのパートナーシップ (00:52:07)

  • OpenAIのCodeex CLIとの統合により、ターミナルでの効率的なデバッグが可能。

  • データドッグのリアルタイムデータを活用したインシデント対応。

トヨタコネクテッドの事例 (00:56:09)

トヨタのモビリティ戦略とデータドッグの役割 (00:57:05)

  • トヨタコネクテッドは、12.5百万台以上の車両を接続。

  • データドッグを活用して、99.99%の稼働率を達成。

DriveLinkの成功事例 (00:58:04)

  • 600,000件以上の安全関連コールを処理。

  • データドッグのモニタリングで、問題の特定時間を数秒に短縮。

  • このアウトラインは、データドッグの最新機能とAI活用の詳細を日本語で整理したものです。

トヨタの活用事例とData Dogの役割 (01:00:04)

トヨタのインフラ監視とAPMの活用 (01:00:04)

  • トヨタはData Dogのインフラ監視、APM、シンセティックス製品を活用し、12.5百万台以上の車両に接続されたドライバー体験を提供。

  • 約1000台のホストを監視し、800百万コンテナ時間を追跡。

  • Data Dogのツールを活用して、より優れた車両開発を目指す。

Expoフロアでのデモと観察可能性の重要性 (01:01:07)

  • トヨタはExpoフロアで接続車両体験をライブデモ。

  • 観察可能性が新しい接続車両体験の構築において重要な役割を果たす。

Flex Logsと新機能の発表 (01:02:06)

Flex Logsの概要と成功事例 (01:02:06)

  • Flex Logsはストレージとコンピュートを分離し、コスト効率を向上。

  • Just D社はFlex Logsを活用して、スタック全体の可視性を実現し、収益損失を削減。

Flex Frozen: 長期ストレージ層の導入 (01:03:23)

  • 最大7年間のログ保存を可能にする新しい長期ストレージ層。

  • DevOps、セキュリティ、コンプライアンスのユースケースを1つのプラットフォームで管理。

Data Dog Archive Searchの発表 (01:04:06)

  • 外部アーカイブやData Dogストレージからのログ検索を簡単に実現。

  • CSVレポートの生成や監査対応を迅速化。

Data Dog Sheetsとノートブックの統合 (01:05:19)

  • スプレッドシート形式でのデータ分析を可能にするData Dog Sheets。

  • ノートブックでログ、APM、メトリクスを統合し、インタラクティブな分析を実現。

AI時代におけるセキュリティと観察可能性 (01:13:00)

AIエージェントのセキュリティ要件 (01:13:00)

  • AIエージェントの認証、APIアクセス、非同期ワークフロー、権限管理の重要性。

  • Octaの「O for Gen AI」プラットフォームがこれらの要件を解決。

Data Dogセキュリティの進化 (01:19:02)

  • データ層、モデル層、アプリケーション層でのAIスタック保護。

  • モデルハイジャックやプロンプトインジェクション攻撃の検出と防止。

GPUモニタリングとLLM観察可能性 (01:27:13)

GPUモニタリングの新機能 (01:27:13)

  • クラスター、ホスト、GPUデバイスの詳細なモニタリング。

  • リソース競合、データ転送の混雑、非効率なコストの特定と解決。

LLM観察可能性とエージェントモニタリング (01:33:04)

  • エージェントの実行フローグラフで複雑なトレースを簡素化。

  • 新しい実験機能でプロンプトやモデルのテストと最適化を迅速化。

AIエージェントコンソールの導入 (01:41:04)

外部エージェントの行動監視 (01:41:04)

  • OpenAIやGitHub Copilotなどの外部エージェントの行動を一元管理。

  • エージェントのコスト、エラー率、タスク完了率を可視化。

エージェントのセキュリティとパフォーマンス分析 (01:43:34)

  • エージェントの行動リプレイで問題の特定と解決を迅速化。

  • 権限不足やタスク失敗の原因を特定し、修正。

データの可観測性 (01:52:35)

データライフサイクル全体の可視化 (01:52:35)

  • サービスやアプリケーションからBIやAIシステムまでのデータの流れを追跡。

  • データ品質チェックとエンドツーエンドのデータ系譜の統合。

データ品質問題の迅速な解決 (01:53:04)

  • 機械学習モデルを活用した異常検出とアラート。

  • データの問題を早期に発見し、影響を最小限に抑える。

総括と今後の展望 (01:59:06)

Data DogはAI時代における観察可能性とセキュリティの新基準を提供。

新機能の詳細なデモやブレイクアウトセッションでさらなる理解を深める機会を提供。

挨拶と開始 (02:00:02)

挨拶の内容 (02:00:02)

  • 「hello hello」という簡単な挨拶が行われた。

  • 会話の開始を示す短いフレーズ。

会話の背景 (02:00:02)

  • トランスクリプトの最終セクションに該当。

  • 会話の具体的な内容やテーマは記載されていない。

特徴的な点 (02:00:02)

  • 短いフレーズのみが記録されている。

  • 時間的にはトランスクリプトの最後の部分であるが、詳細な情報は含まれていない。

追加情報の欠如 (02:00:02)

  • 他のセクションとの関連性や文脈は不明。

  • 会話の目的や進行に関する情報が不足している。

全体的な特徴 (02:00:02)

トランスクリプトの構造 (02:00:02)

  • 全体の時間範囲は02:00:00から03:00:00まで。

  • 実際の記録は「02:00:02」のみで、非常に短い。

内容の簡潔さ (02:00:02)

  • 記録された内容が極めて簡潔。

  • 他の詳細な情報が含まれていないため、解釈が難しい。

記録の目的 (02:00:02)

  • トランスクリプトの目的や意図は明確ではない。

  • 単なる挨拶の記録か、他の会話の始まりを示す可能性がある。

時間的な位置付け (02:00:02)

  • トランスクリプト全体の最後の部分に位置する。

  • 他のセクションとの関連性が不明なため、独立した記録と見なされる。

考えられる次のステップ (02:00:02)

詳細情報の確認 (02:00:02)

  • トランスクリプト全体を確認し、他のセクションとの関連性を探る。

  • 会話のテーマや目的を特定するための追加情報が必要。

文脈の補足 (02:00:02)

  • 「hello hello」の背景や意図を補足する情報を収集。

  • 会話の流れを理解するためのさらなる分析が求められる。

他のセクションとの統合 (02:00:02)

  • 他のセクションの内容と統合し、全体像を把握。

  • トランスクリプト全体のテーマや目的を明確にする。

1
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
1
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?