Τζεφ Σαμπάν, Field CTO στην Cribl – Σειρά Συνεντεύξεων

Τζεφ Σαμπάν, Field CTO στην Cribl, φέρνει βαθιά εμπειρία σε παρατηρησιμότητα, εταιρικά δεδομένα, στρατηγική προϊόντων και τεχνική αρχιτεκτονική. Πριν ενταχθεί στην Cribl, υπηρέτησε ως Διευθυντής Διαχείρισης Προϊόντων στην Databricks και πέρασε περισσότερα από επτά χρόνια στην Splunk σε ανώτερες θέσεις προϊόντων, αρχιτεκτονικής και μηχανικής συστημάτων. Το υπόβαθρό του περιλαμβάνει επίσης ηγετική θέση αρχιτεκτονικής συστημάτων στην BNY ConvergEx, ανώτερη μηχανική εργασία στην Premier Technology Solutions και πρώιμη ηγετική θέση μηχανικής στην Assist-2-Sell, δίνοντάς του μια ευρεία προοπτική για το πώς οι επιχειρήσεις συλλέγουν, διαχειρίζονται, αναλύουν και ενεργούν σε λειτουργικά δεδομένα σε κλίμακα.

Cribl είναι μια εταιρεία τηλεμετρίας επιχειρήσεων που επικεντρώνεται στην βοήθεια των ομάδων IT, ασφαλείας, SRE και DevOps να συλλέγουν, επεξεργάζονται, κατευθύνουν, αποθηκεύουν και αναλύουν δεδομένα παρατηρησιμότητας και ασφαλείας χωρίς να κλειδωθούν σε έναν μόνο προμηθευτή. Η εταιρεία θέτει τον εαυτό της ως το “Πλατφόρμα AI για Τηλεμετρία”, με προϊόντα όπως το Cribl Stream για συλλογή τηλεμετρίας σε πραγματικό χρόνο, μείωση, εμπλουτισμένο και κατεύθυνση, το Cribl Edge για συλλογή τηλεμετρίας τερματικού σημείου από προμηθευτή, το Cribl Search για αναζήτηση δεδομένων στην τοποθεσία και το Cribl Lake για αποθήκευση. Η ευρύτερη αποστολή της είναι να δώσει στις επιχειρήσεις περισσότερο έλεγχο, ευελιξία και αποτελεσματικότητα καθώς οι όγκοι τηλεμετρίας αυξάνονται και οι επιχειρήσεις που οδηγούνται από το AI απαιτούν καθαρότερα, πιο προσιτά δεδομένα.

Έχετε εργαστεί σε Splunk, Databricks και τώρα Cribl, δίνοντάς σας μια σπάνια άποψη για τα εταιρικά δεδομένα, την παρατηρησιμότητα και την υποδομή σε πολλαπλά τεχνολογικά κύκλους. Από αυτήν την άποψη, τι feels πραγματικά διαφορετικό για την πρόκληση παρατηρησιμότητας που δημιουργείται από την AI;

Στην παρατηρησιμότητα εφαρμογών, abbiamo πάντα αντιμετωπίζαμε σύνθετες, διακλαδισμένες διαδρομές εκτέλεσης, ιχνηλατώντας αιτήσεις μέσω μικροϋπηρεσιών και συσχετίζοντας καταγραφές σε κατανεμημένα συστήματα. Στις επιχειρήσεις ασφαλείας, abbiamo αντιμετωπίζαμε υψηλής όγκου, διαφορετικά δεδομένα πηγών για να ανιχνεύσουμε απειλές σε συστήματα που, ενώ ήταν σύνθετα, εξακολουθούσαν να συμπεριφέρονται σε μεγάλο βαθμό προβλέψιμα. Η AI δεν επαναεφευρίσκει κανένα από αυτά τα προβλήματα, τα εκρήγνυσε ταυτόχρονα.

Οι πράκτορες αλυσίδων αποφάσεων, καλούν εξωτερικά εργαλεία και γεννούν δυναμικά υπο-πράκτορες με τρόπους που δεν προκαθορίζονται στην ώρα της γραφής. Το γράφημα εκτέλεσης δεν είναι μόνο σύνθετο, μπορεί να είναι άγρια διαφορετικό κάθε φορά, και ο όγκος τηλεμετρίας που απαιτείται για να ανακατασκευαστεί τι συνέβη στην πραγματικότητα αυξάνεται εκθετικά με κάθε άλμα. Η συλλογή όλων των τηλεμετρικών δεδομένων που απαιτούνται για να κάνουν τους πράκτορες παρατηρήσιμους πρέπει να είναι και εύκολη στην οργάνωση και οικονομική στη λειτουργία σε κλίμακα. Διαφορετικά, οι επιχειρήσεις θα κάνουν την ίδια ανταλλαγή που έχουν πάντα και θα μειώσουν την ορατότητα για να ελέγξουν το κόστος — ακριβώς την λάθος στιγμή για να πάνε τυφλά.

Όταν οι επιχειρήσεις ενσωματώνουν αυτόνομους πράκτορες σε ροές εργασιών, πού είναι τα μεγαλύτερα κενά ορατότητας μεταξύ του τι ζητείται ένας πράκτορας να κάνει και τι συμβαίνει στην πραγματικότητα σε υποκείμενα συστήματα;

Οι πράκτορες ολοκληρώνουν ροές εργασιών που φαίνονται επιτυχημένες στην επιφάνεια ενώ σιωπηλά κάνουν κακές κλήσεις εργαλείων, οπτασία παραμέτρων ή απομακρύνονται από τον αρχικό στόχο. Οι συνέπειες συχνά εμφανίζονται ώρες αργότερα σε ένα άλλο σύστημα.

Η αποσύνδεση συνήθως αρχίζει στην ερμηνεία: μια μικρή αμφιβολία στην αρχική οδηγία λύνεται διαφορετικά ανάλογα με το τι ανακτά ο πράκτορας ανακτά από τη μνήμη, ποια εργαλεία είναι διαθέσιμα εκείνη τη στιγμή ή πώς ένα προηγούμενο βήμα στην αλυσίδα διαμόρφωσε το πλαίσιό του. Επίσης, πρέπει να παρακολουθείτε τα υποκείμενα συστήματα από τα οποία εξαρτάται ο πράκτορας, γιατί ένας πράκτορας μπορεί να κάνει μια καλά διαμορφωμένη κλήση βάσης δεδομένων και να επιστρέψει ακόμα μια λανθασμένη απάντηση αν ο υποκείμενος πίνακας δεδομένων δεν ανανεώθηκε ποτέ γιατί μια εργασία ETL απέτυχε αθόρυβα σε προηγούμενο στάδιο.

Ο πράκτορας έκανε ακριβώς αυτό που του είπαν, τα δεδομένα που εμπιστεύτηκε ήταν απλά παλιά.

Γιατί τα παραδοσιακά εργαλεία παρατηρησιμότητας είναι συχνά ανεπαρκή για την παρακολούθηση συστημάτων AI;

Πρώτον, κατασκευάστηκαν γύρω από σκληρά, ιδιόκτητα σχήματα και προβλέψιμες μορφές δεδομένων. Οι ιχνηλώσεις AI δεν ανταποκρίνονται σε αυτές τις προσδοκίες — είναι μεγάλες, πολύ μεταβλητές στη δομή και περιλαμβάνουν τύπους δεδομένων όπως πλήρεις κείμενα προτροπής, αλυσίδες λογικής μοντέλου και φορτία κλήσεων εργαλείων που τα παραδοσιακά εργαλεία δεν σχεδιάστηκαν να καταναλώσουν χωρίς σημαντική μετασχηματιστική εργασία. Ανοικτά πρότυπα όπως οι σεμάντικες συμβάσεις GenAI της OpenTelemetry εμφανίζονται για να αντιμετωπίσουν αυτό, αλλά πολλές πλατφόρμες κληρονομιάς δεν κατασκευάστηκαν για να επωφεληθούν από αυτά.

Δεύτερον, η κλίμακα και η εξίσωση κόστους σπάει γρήγορα. Ένας seul πράκτορας που χειρίζεται φορτία παραγωγής μπορεί να παράγει περισσότερη τηλεμετρία σε μια ώρα από ό,τι ένα ολόκληρο στατικό σύστημα παρήγαγε σε μια μέρα, και οι περισσότερες παραδοσιακές πλατφόρμες χρεώνουν με βάση τον όγκο που καταναλώνεται και αποθηκεύεται. Αυτό δημιουργεί ένα αδύνατο εμπόδιο — είτε οργανώσετε τα πάντα και αντιμετωπίστε υπερβολικά κόστη, είτε μειώσετε την ορατότητα στα συστήματα όπου την χρειάζεστε περισσότερο.

Όταν ένας πράκτορας AI αποτυγχάνει, πώς μπορούν οι οργανώσεις να καθορίσουν εάν η ριζική αιτία ήταν το μοντέλο, το στρώμα ανάκτησης, μια εξάρτηση API, ένα ζήτημα δικαιωμάτων πρόσβασης ή ένα πρόβλημα υποδομής;

Η απομόνωση της ριζικής αιτίας σε μια αποτυχία πράκτορα είναι μια διαδικασία αποκλεισμού πιθανών αιτιών σε διαδοχικά επίπεδα. Λειτουργεί μόνο εάν η τηλεμετρία σας καλύπτει όλα αυτά τα στρώματα συνεχώς. Τα σήματα καθυστέρησης και σφαλμάτων στα spans του μοντέλου σημαίνουν ότι το ίδιο το LLM. Οι ιχνηλώσεις ανάκτησης σας λένε εάν το πλαίσιο που επιστράφηκε ήταν σχετικό ή παλιό. Οι ιχνηλώσεις κλήσεων εργαλείων αποκαλύπτουν αποτυχημένες εξαρτήσεις API ή σφάλματα δικαιωμάτων πρόσβασης.

Όπως αναφέρθηκε, χρειάζεστε επίσης τηλεμετρία από τα υποκείμενα συστήματα που ο πράκτορας εξαρτάται, γιατί ένας πράκτορας μπορεί να κάνει μια καλά διαμορφωμένη κλήση και να παράγει ακόμα μια λανθασμένη απάντηση αν τα δεδομένα που εμπιστεύτηκε δεν ανανεώθηκαν ποτέ. Κανένα μόνο σήμα δεν λέει όλη την ιστορία, που είναι γιατί η συσχέτιση όλων αυτών των επιπέδων σε ένα μέρος είναι αυτό που διακρίνει τις ομάδες που μπορούν να αποσφαλματίσουν αποτυχίες πράκτορα γρήγορα από αυτές που εξακολουθούν να μαντεύουν.

Τι είδη τηλεμετρικών δεδομένων γίνονται πιο σημαντικά όταν οι επιχειρήσεις προσπαθούν να κατανοήσουν τη συμπεριφορά πράκτορα σε κλίμακα;

Η βάση είναι ακόμα MELT — μετρικές, γεγονότα, καταγραφές και ιχνηλώσεις — αλλά το βάρος μετατοπίζεται σημαντικά όταν μεταφέρεστε σε συστήματα πράκτορα. Οι μετρικές σας λένε ότι κάτι δεν πάει καλά και οι καταγραφές σας δίνουν την ακατέργαστη καταγραφή του τι συνέβη, αλλά καμία από τις δύο δεν μπορεί να ανακατασκευάσει την αλυσίδα λογικής που ένας πράκτορας ακολούθησε για να φτάσει σε μια λανθασμένη απάντηση. Αυτό είναι όπου οι ιχνηλώσεις γίνονται το πιο κρίσιμο σήμα.

Σε ένα παραδοσιακό κατανεμημένο σύστημα, μια ιχνηλάτηση σας δείχνει πώς μια αίτηση κινήθηκε μεταξύ υπηρεσιών. Σε ένα σύστημα πράκτορα, σας δείχνει πώς ένα μοντέλο συλλογίστηκε πάνω σε ένα πρόβλημα, ποια εργαλεία κάλεσε, ποιο πλαίσιο ανέκτησε, πού διακλαδίστηκε και τι αποφάσισε σε κάθε βήμα. Χωρίς αυτήν την ιχνηλάτηση, κοιτάζετε μια έξοδο χωρίς τρόπο να εξηγήσετε πώς φτάσατε εκεί.

Τα άλλα σήματα MELT δεν εξαφανίζονται, οι μετρικές για χρήση token και καθυστέρηση έχουν σημασία για κόστος και απόδοση, και οι καταγραφές από τα υποκείμενα συστήματα παραμένουν απαραίτητες. Nhưng οι ιχνηλώσεις είναι αυτό που κάνουν τη συμπεριφορά πράκτορα αναγνώσιμη σε κλίμακα.

Πολυάριθμες συζητήσεις AI εξακολουθούν να επικεντρώνονται βαριά στις παραισθήσεις. Οι επιχειρήσεις υποτιμούν τις λειτουργικές αποτυχίες όπως οι κακές ανακτήσεις, οι προβληματικές ενοποιήσεις, οι αιχμές καθυστέρησης ή το ελλιπές πλαίσιο;

Οι περισσότερες παραισθήσεις στην παραγωγή δεν είναι αποτυχίες μοντέλου, είναι λειτουργικές αποτυχίες με μάσκα. Η κακή ανάκτηση επιστρέφει παλιό ή ελλιπές πλαίσιο, και το μοντέλο γεμίζει το κενό με κάτι που ακούγεται πιθανό. Μια προβληματική ενοποίηση σημαίνει ότι ο πράκτορας δεν έλαβε ποτέ τα δεδομένα που χρειαζόταν για να συλλογιστεί σωστά από την αρχή. Το ελλιπές πλαίσιο από μια αποτυχημένη εργασία ETL φαίνεται σαν οπτασία αλλά στην πραγματικότητα είναι ένα πρόβλημα υποδομής.

Όταν οι ομάδες δεν μπορούν να δουν τη διαφορά, καταφεύγουν σε αυτό που μπορούν να ελέγξουν, που είναι συνήθως το ίδιο το μοντέλο. Βελτιώνουν τις προτροπές συστήματος, προσθέτουν φράγματα και βελτιώνουν πλαισιάσματα αξιολόγησης, και ενώ αυτές οι τεχνικές έχουν πραγματική αξία, αντιμετωπίζουν ένα σύμπτωμα αντί για την αιτία. Στην εμπειρία μου, η επένδυση με τη μεγαλύτερη απόδοση είναι σχεδόν πάντα η ποιότητα και η επικαιρότητα των δεδομένων στο στρώμα ανάκτησης. Ένας καλά εδραιωμένος πράκτορας με καθαρά, τρέχοντα δεδομένα θα υπερβεί έναν πράκτορα με εκτενή μηχανική προτροπών με παλιό ή ελλιπές πλαίσιο.

Όταν οι πράκτορες γίνονται πιο αυτόνομοι, τι πρέπει οι επιχειρηματικές ομάδες να καταγράψουν, να ιχνηλάσουν ή να παρακολουθήσουν για να διατηρήσουν την ευθύνη χωρίς να υπερφορτώνονται με θόρυβο;

Η βάση είναι ακόμα MELT, αλλά η ευθύνη για συστήματα πράκτορα απαιτεί την στρώση ενός πλαισίου αξιολόγησης πάνω από την παραδοσιακή τηλεμετρία. Μετρικές, γεγονότα και καταγραφές επιφανείζουν αποτυχίες υποδομής και κατεστραμμένες ολοκληρώσεις που μπορούν να διαστρέψουν τη συμπεριφορά πράκτορα πριν το μοντέλο απαντήσει, οι ιχνηλώσεις σας δίνουν την αλυσίδα λογικής για να κατανοήσετε γιατί έφτασε σε μια συγκεκριμένη απάντηση. Nhưng κανένα από αυτά δεν σας λέει εάν η απάντηση ήταν στην πραγματικότητα σωστή, και αυτό είναι όπου η αξιολόγηση LLM-as-judge γεμίζει το κενό. Οι ίδιες ικανότητες AI που δίνουν ενέργεια στους πράκτορες μπορούν να χρησιμοποιηθούν για να αξιολογήσουν τους πράκτορες, βαθμολογώντας εξόδους για ακρίβεια, εδραιότητα και ολοκλήρωση εργασιών σε μια κλίμακα που καμία διαδικασία αναθεώρησης ανθρώπων δεν μπορεί να ανταγωνιστεί.

Προ-παραγωγής, λειτουργεί ως πύλη ποιότητας, πιάνοντας αναδρομές πριν φτάσουν οι χρήστες. Σε παραγωγή, γίνεται ένας συνεχής παρατηρητής, δειγματίζοντας ζωντανούς κυκλισμούς και σημαδεύοντας απαντήσεις που πέφτουν έξω από αποδεκτά όρια. Το κλειδί για την αποφυγή θορύβου είναι το να αναγνωρίσετε ότι δεν κάθε ροή εργασιών πράκτορα φέρει τον ίδιο κίνδυνο, που σημαίνει την μετακίνηση μακριά από την ομοιόμορφη παρακολούθηση προς κάτι που η βιομηχανία αρχίζει να καλεί κυκλική διακυβέρνηση ανθρώπων. Ορίζετε βασικές γραμμές συμπεριφοράς και όρια εμπιστοσύνης από την αρχή, αφήνετε τους πράκτορες να λειτουργούν τους και να διατηρείτε την ανθρώπινη παρέμβαση για εξαιρέσεις.

Τι ρόλο μπορούν να παίξουν οι αγωγοί τηλεμετρίας στην βοήθεια των ομάδων ασφαλείας, SRE, δεδομένων και AI να εργάζονται από μια κοινή άποψη της συμπεριφοράς πράκτορα;

Οι ομάδες ασφαλείας, SRE, μηχανικοί δεδομένων και ομάδες AI κοιτάζουν διαφορετικά κομμάτια του ίδιου προβλήματος μέσω διαφορετικών εργαλείων, και κανένας από αυτούς δεν έχει το πλήρες πλάνο. Ο λόγος για τον οποίο οι αγωγοί τηλεμετρίας έχουν γίνει ένα τυπικό μέρος της σύγχρονης αρχιτεκτονικής δεδομένων επιχείρησης είναι ότι λύνουν ακριβώς αυτό το πρόβλημα: ένας seul, καλά διακυβερνημένος αγωγός πάνω από όλα τα εργαλεία σας εξασφαλίζει ότι κάθε ομάδα εργάζεται από τα ίδια κανονικοποιημένα, εμπλουτισμένα δεδομένα χωρίς ειδικά εργαλεία και συλλέκτες που αναπτύσσονται για κάθε ομάδα.

Αυτή η ευελιξία έχει σημασία σε δύο επίπεδα. Το πρώτο είναι η στρώση δεδομένων. Ένας καλά σχεδιασμένος αγωγός τηλεμετρίας σας επιτρέπει να ταιριάξετε δεδομένα με τη σωστή στρατηγική αποθήκευσης και ανάλυσης ώστε να μην πληρώνετε τιμές ανάλυσης για δεδομένα που χρειάζεστε μόνο για μακροχρόνια συμμόρφωση. Το δεύτερο είναι η ευελιξία όσο το τοπίο εργαλείων AI εξακολουθεί να εξελίσσεται γρήγορα. Οι επιχειρήσεις που χτίζουν την στρατηγική παρατηρησιμότητας τους γύρω από το οικοσύστημα ενός προμηθευτή θα αντιμετωπίσουν ακριβές έργα μετανάστευσης κάθε φορά που εμφανίζεται ένα καλύτερο εργαλείο.

Τι λάθη βλέπετε τις επιχειρήσεις να κάνουν όταν προσπαθούν να αναβαθμίσουν τις υπάρχουσες πρακτικές παρακολούθησης σε αναπτύξεις AI;

Το πιο συνηθισμένο λάθος που βλέπω είναι η εκτόξευση για υπάρχοντα premium πλατφόρμες παρατηρησιμότητας για να συλλέξουν ιχνηλώσεις πράκτορα χωρίς να σκεφτούν τις επιπτώσεις κόστους πρώτα. Οι ιχνηλώσεις AI είναι μεγάλες, μεταβλητές και όγκους σε τρόπους που η παραδοσιακή τηλεμετρία εφαρμογών δεν είναι. Οι περισσότερες premium πλατφόρμες χρεώνουν με βάση την κατάναψη και αποθήκευση. Το τιμολόγιο μπορεί να γίνει ένα σοβαρό πρόβλημα πριν οι ομάδες ακόμα και να συνειδητοποιήσουν τι συμβαίνει, και η τυπική απάντηση είναι να μειώσουν αυτό που συλλέγουν. Το αποτέλεσμα είναι το χειρότερο από τα δύο — υψηλό κόστος και ατελής ορατότητα.

Το δεύτερο λάθος είναι η εφαρμογή του λάθους νοητικού μοντέλου σε αυτό που η παρακολούθηση πρέπει να απαντήσει. Η παραδοσιακή παρακολούθηση υποδομής ρωτάει “η υπηρεσία είναι ενεργοποιημένη;” και σηκώνει ενημερώσεις όταν δεν είναι. Αυτό το ερώτημα είναι απαραίτητο αλλά πουθενά κοντά αρκετό για συστήματα πράκτορα, όπου η υποδομή μπορεί να είναι τέλεια υγιής ενώ ο πράκτορας κάνει σιωπηλά κακές αποφάσεις, ανάκτηση παλιού δεδομένου ή απομακρύνεται από τον αρχικό στόχο. Οι ομάδες που αναβαθμίζουν τις υπάρχουσες πίνακες ελέγχου και τις προειδοποιήσεις σε ροές εργασιών πράκτορα συχνά πείθουν τον εαυτό τους ότι έχουν κάλυψη όταν στην πραγματικότητα παρακολουθούν μόνο την υδραυλική.

Το τρίτο λάθος είναι η μεταχείριση της οργάνωσης ως μιας μετάνοια. Οι επιχειρήσεις που πιλότοι πράκτορες γρήγορα και μετακινούνται σε παραγωγή χωρίς να σκεφτούν την παρατηρησιμότητα τερματίζουν σε ακριβές κύκλους αποκατάστασης, ξαναχτίζοντας αρχιτεκτονική συλλογής δεδομένων μετά την πρώτη σημαντική αποτυχία παραγωγής. Οι ομάδες που κλιμακώνουν τις αναπτύξεις πράκτορα με τον πιο επιτυχημένο τρόπο οργανώνουν νωρίς, καθορίζουν βασικές γραμμές ενώ ο κυκλισμός είναι χαμηλός και η συμπεριφορά είναι προβλέψιμη, και χτίζουν το πλαισίο αξιολόγησης τους πριν το χρειάζονται αντί να το χρειάζονται μετά.

Κοιτάζοντας μπροστά, θα γίνει η ορατότητα υποδομής προαπαιτούμενο για την υιοθέτηση AI επιχείρησης με τον ίδιο τρόπο που η παρατηρησιμότητα νεφών έγινε απαραίτητη για τη μεγάλη κλίμακα μετανάστευσης νεφών;

Η αναλογία με τα νεφα είναι εξαιρετικά παρόμοια. Το πιο σημαντικό που λέω στους πελάτες όταν μεταφέρουν την υποδομή τους στα νεφα είναι ότι δεν ανυψώνουν και μεταφέρουν. Εγκαθιστάνε μια ολόκληρη νέα αρχιτεκτονική με νέες ικανότητες. Όλα αυτά πρέπει να οργανωθούν και να παρακολουθούνται με τρόπους που τα προηγούμενα εργαλεία πιθανότατα δεν ήταν διαμορφωμένα. Οι επιχειρήσεις που skipped αυτό το βήμα αντιμετώπισαν κασκαντίζουσες αποτυχίες που δεν μπορούσαν να διαγνώσουν, σπείρες κόστους που δεν μπορούσαν να εξηγήσουν και διακοπές που δεν μπορούσαν να προβλέψουν. Η παρατηρησιμότητα έγινε η βάση της εμπιστοσύνης που έκανε τη κλίμακα νεφών δυνατή, και το ίδιο μοτίβο εξελίσσεται τώρα με την AI, κινούμενο γρηγορότερα και με υψηλότερους πόνους.

Ο πρωταρχικός λόγος για τον οποίο οι πράκτορες θα χρειαστούν αυτό το είδος εποπτείας αορίστως είναι ότι είναι μη ντετερμινιστικοί εκ σχεδιασμού, η συμπεριφορά τους αναδύεται σε χρόνο εκτέλεσης και η αποτελεσματική τους ικανότητα αυξάνεται κάθε φορά που συνδέετε ένα νέο εργαλείο. Η στατική προ-αποστολή πιστοποίηση δεν μπορεί να καλύψει ένα σύστημα του οποίου η επιφάνεια δράσης αλλάζει με κάθε ολοκλήρωση. Οι πράκτορες θα λειτουργούν μέσα σε καθορισμένα όρια εμπιστοσύνης, και αυτά τα όρια θα επεκταθούν με τον καιρό καθώς η παρατηρησιμότητα, η πολιτική και η αξιολόγηση υποδομής ωριμάζουν. Τα όρια αυτά δεν θα εξαφανιστούν ποτέ, και αυτό δεν είναι μια κατάσταση αποτυχίας. Έτσι λειτουργεί ήδη κάθε σημαντικό αυτόνομο σύστημα στον κόσμο ήδη λειτουργεί. Ευχαριστούμε για την εξαιρετική συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Cribl.