在 AIGC 浪潮推动下，Kubernetes 逐步成为众多 AI 应用运行的首选平台。越来越多用户希望在 Kubernetes 容器集群中管理 GPU 资源，开发运行深度学习和大数据任务，部署和弹性管理 AI 服务。本议题旨在深入探索如何在智能计算服务的复杂生态中，如何基于 iLogtail 构建一套先进的可观测性采集与处理 Pipeline，将深入剖析构建过程中涉及的技术原理和难点，探讨可观测性 Pipeline 的性能和稳定性策略，最后结合案例讲解面向智算服务的可观测 Pipeline 构建实践。

演讲提纲

1. 云原生智算服务核心技术栈

• 分层介绍云原生智算服务技术栈及核心场景
• 智算场景下 Kubernetes 使用的新趋势

2. 智算服务可观测数据采集和处理的需求和技术难点

• 根据智算服务部署、数据规模、多租的特点，如何低成本、安全地实现高效采集及数据标准化
• 如何应对大规模智算集群自动化采集、批量管控、可观测的难度

3. 下一代可观测 Pipeline 架构设计

• 整体设计目标与愿景
• 围绕性能、稳定性、可编程性、生态能力等方面，展开介绍 Pipeline 核心架构

4. 智算场景下可观测 Pipeline 技术实践

• 面向分布式多租集群的数据采集全面性与隔离性考虑
• 大规模集群管控实践
• Pipeline 稳定性建设实践

5. 开源与未来展望

实践痛点

• 如何有效管理（大规模集群便捷的管控能力）和整合异构的多模态数据源（SPL等灵活的处理能力）以便于后续的高效数据分析
• 如何确保在资源约束下处理大规模数据的性能、实时性、隔离性与稳定性
• 如何与业务场景相结合，在复杂 AI 应用场景实现采集数据的全面性与数据精度

内容亮点

• 下一代可观测 Pipeline 架构精析：深入探索面向智能服务的下一代可观测 Pipeline 技术架构，该架构以卓越性能为核心，依托高稳定性的系统设计，实现了数据采集、处理的极致效率与灵活性
• 贴近实际业务场景，大规模多租户智算环境下的可观测 Pipeline 技术实践，包括不限于自动化管控、多租隔离等

听众收益

• 了解智算服务核心技术与发展趋势
• 结合 Kubernetes 技术生态，深入到核心技术原理和实现细节，帮助听众理解构建可观测 Pipeline 的技术挑战
• 展望可观测性 Pipeline 技术在智算领域的未来发展方向