‏متریک‌های بی‌نهایت‌کاردینال Datadog

هر تحول فنی یه سری بُعد جدید برای اندازه‌گیری اضافه می‌کنه: کلاد، منطقه و سرویس آورد؛ Kubernetes کانتینر و pod؛ و سیستم‌های هوش مصنوعی هم مدل، prompt، agent و مسیر اجرا. نتیجه‌ش اینه که متریک‌ها سریع‌تر از همیشه چندبُعدی می‌شن. تو این مقاله اومده که مهندس‌ها به‌خاطر همین فشار، مجبور می‌شن یا ابعاد رو حذف کنن، یا داده رو نمونه‌برداری کنن، یا اصلاً بعضی workflow‌ها رو مانیتور نکنن — نه چون داده بی‌ارزشه، بلکه چون پیش‌بینی هزینهٔ ثبتش سخته.

ریشهٔ مشکل به مفهوم cardinality (کاردینالیتی) برمی‌گرده: هر ترکیب یکتا از تگ‌ها یه سری زمانی جدا می‌سازه، و مدل قیمت‌گذاری قدیمی روی همین تعداد سری‌ها بنا شده بود. پس هر تگ تازه‌ای که اضافه می‌کردی می‌تونست هزینه رو منفجر کنه.

ایدهٔ اصلی Datadog اینه که قیمت رو از کاردینالیتی جدا کنه. حالا یه متریک مثل تأخیر درخواست فقط یه بار شمرده می‌شه، فارغ از این‌که با سرویس، منطقه، کاربر، مستأجر یا دستگاه تگ خورده باشه. به‌جای این‌که سر هر تگ بپرسی «اصلاً می‌تونیم اینو اندازه بگیریم؟»، آزادی داری که هر بُعدی که واقعاً لازم داری رو ثبت کنی.

به گفتهٔ Datadog، هزینه حالا با همون چیزهایی مقیاس می‌خوره که سیستم باهاشون رشد می‌کنه — یعنی ترافیک، تعداد درخواست و حجم کار — نه با کاردینالیتی. تیم متریک‌های Figma هم همینو تأیید کرده و می‌گه دیگه لازم نیست موقع فکر کردن به هزینه، نگران کاردینالیتی باشن.

محور سوم این قابلیت، پرس‌وجوی agentic هست: وقتی ابعاد بیشتری رو نگه می‌داری، هم آدم‌ها و هم agentهای هوش مصنوعی می‌تونن بدون این‌که اول مجبور بشن بخشی از context رو دور بریزن، روی داده‌های پر‌جزئیات سؤال بپرسن. شرکت‌هایی مثل Clay و Modal مثال زدن که حالا می‌تونن متریک‌ها رو با شناسهٔ کاربر و مسیر اجرا و حتی فراخوانی LLM تگ بزنن، کاری که قبلاً از نظر هزینه توجیه نداشت.

نکات کلیدی:

• قیمت متریک حالا بر اساس اسم متریک حساب می‌شه، نه تعداد سری‌های زمانی یکتا (کاردینالیتی)
• یه متریک فارغ از تعداد تگ‌هاش فقط یه بار شمرده می‌شه، پس می‌تونی آزادانه بُعد اضافه کنی
• هزینه با ترافیک و حجم کار مقیاس می‌خوره، نه با کاردینالیتی
• برای پرس‌وجوی انسانی و هم agentهای هوش مصنوعی روی داده‌های پرابعاد ساخته شده
• این قابلیت الان به‌صورت عمومی (GA) در دسترسه