Datadog による AI エージェント オブザーバビリティの最前線 / The Frontlines of AI Agent Observability by Datadog

https://www.googlecloudevents.com/next-tokyo/sessions?session_id=3130565

Google Cloud では Vertex AI や Cloud Run を基盤とした AI エージェントの活用が広まっています。一方で、従来の監視に加えて AI エージェントに特化したオブザーバビリティが求められます。
本セッションでは Datadog の LLM Observability や Bits AI が AI エージェントとオブザーバビリティの可能性をどのように高めることができるかを紹介します。

取り上げる主な Google Cloud 製品 / サービス
・Cloud Run
・Google Kubernetes Engine (GKE)
・Vertex AI

Transcript

1. Google Cloud Next Tokyo 2025, Sponsored Session Speaker: Annosuke Yokoo Kento Kimura Datadog による AI エージェント オブザーバビリティの最前線
2. Annosuke Yokoo Sales Engineer, Google Cloud Partner Top Engineer 2025 Fellow Kento Kimura Sales Engineer, Google Cloud Partner Top Engineer 2023-25
3. Agenda 01 Google Cloud と AI エージェント 06 まとめ 05 Datadog と AI エージェント 04 AI エージェントとオブザーバビリティ 03 AI エージェントの運用アプローチ 02 ブラックボックス化する AI エージェント
4. Google Cloud と AI エージェント
5. Google Cloud の AI エージェント マネージド セルフホスト Google/Google Cloud が提供する AI エージェント NotebookLM, Google Agentspace, カスタム Gem など… Gemini を元にした、業務効率化を促進する AI エージェント Vertex AI Agent Builder で構築した AI エージェント Vertex AI のエコシステムの恩恵を受け、Python AI エージェント を実行・管理・評価できるマネージドなインフラストラクチャ Cloud Run 上で実行する AI エージェント Google Cloud のスケーラブルなインフラストラクチャを活用し、 AI エージェントを実行できるサーバレスランタイム
6. 「使う」から「作る」へ 社内の業務改善から、顧客向けの価値提供へ サービス 社内 業務改善 サービス 社内 業務改善 価値提供
7. AI エージェントを実行するアーキテクチャ Google Cloud = AI エージェント に最適な実行環境 柔軟性 ：ゼロスケール可能なインフラストラクチャ 信頼性 ：管理不要で堅牢なネットワークとセキュリティ 開発体験 ：コンテナ・ソースコードから直接デプロイ 生成 AI ：複数のフレームワーク対応 と API キー不要の認証 通信 ：HTTP/2, Websocket でのストリーミングエンドポイント ユーザー Vertex AI Agent Engine Cloud Run サービス ランタイム LangGraph ADK OpenAI Agents フレームワーク Gemini API Vertex AI Endpoint Cloud SQL Memorystore AI エージェント ツール AI エージェント A2A 質問・要求 ストリーミング 確認・追及 ストリーミング
8. ブラックボックス化する AI エージェント
9. AI エージェントが生成する結果の不透明性 何らかの理由でユーザーにとって望ましくない結果が出力された時 開発者はその原因となる AI エージェントの動作を説明できない プロンプト管理　 ：ユーザーの入力 と AI エージェントの出力 を記録 モデル評価 　　　：モデルの推論結果 から多角的に品質を評価 システム監視　　 ：AI エージェントを構成するシステムを監視 ユーザー Vertex AI Agent Engine Cloud Run サービス ランタイム LangGraph ADK OpenAI Agents フレームワーク Gemini API Vertex AI Endpoint Cloud SQL Memorystore AI エージェント ツール 質問・要求 開発者
10. 従来のアプローチ： プロンプト管理 による効果 プロンプト管理 　：ユーザーの入力 と AI エージェントの出力 を記録 入出力から探索的にプロンプトを改善できるが、 システムの内部動作 が不明 ユーザー Vertex AI Agent Engine Cloud Run サービス ランタイム LangGraph ADK OpenAI Agents フレームワーク Gemini API Vertex AI Endpoint Cloud SQL Memorystore AI エージェント ツール 質問・要求 開発者 プロンプト管理
11. 従来のアプローチ： モデル評価 による効果 モデル評価　　　 ：モデルの推論結果 から多角的に品質を評価 単一呼び出しの推論結果を評価するが、 複数呼び出しの結果 が考慮外 ユーザー Vertex AI Agent Engine Cloud Run サービス ランタイム LangGraph ADK OpenAI Agents フレームワーク Gemini API Vertex AI Endpoint Cloud SQL Memorystore AI エージェント ツール 質問・要求 開発者 モデル評価
12. 従来のアプローチ： システム監視 による効果 システム監視　　 ：AI エージェントを構成するシステムを監視 システムの問題や信頼性を測定するが、 AI エージェント起因の問題 は不明 ユーザー LangGraph ADK OpenAI Agents フレームワーク Gemini API Vertex AI Endpoint Cloud SQL Memorystore AI エージェント ツール 質問・要求 開発者 Vertex AI Agent Engine Cloud Run サービス ランタイム システム監視
13. 可視化できない自律的な動作 従来のアプローチ はある程度 AI エージェント のブラックボックス を解消 ブラックボックス を解消する AI エージェント のためのアプローチ が必要 ユーザー LangGraph ADK OpenAI Agents フレームワーク Gemini API Vertex AI Endpoint Cloud SQL Memorystore AI エージェント ツール 質問・要求 開発者 Vertex AI Agent Engine Cloud Run サービス ランタイム プロンプト管理 モデル評価 システム監視
14. AI エージェントの運用アプローチ
15. DevOps から派生するアプローチ DevOps GenAIOps MLOps PromptOps AgentOps FMOps LLMOps RAGOps DataOps データ中心 モデル中 心 評価中心 AIOps AI 活用 コンピューティングの中心がオンプレミスからクラウドへ AI の中心は、データやモデルから評価へ LLMOps/AgentOps はモデルの改善ではなく、評価指標の可視化と改善 が重要となる DevSecOps BizDevOps
16. AI エージェントの評価観点 ユーザーが求める結果が 予期せぬ動作で得られなくなる割合 が十分に低いか Issue ツールやモデル呼び出しを介して、 ユーザー体験を損なわない水準 でレスポンスを返せるか Performance 開発者が想定した ルールに沿って、 ユーザーが求める結果 を提供できるか Quality 自律的に呼び出すモデルへの 入出力トークン =利用コスト が想定外に増加 していないか Cost AI エージェント経由の攻撃を想定した 権限制御やデータ保護 がされているか Safety
17. オブザーバビリティ 新たなアプローチ が必要 APM, 分散トレース プロファイリング サーバレス監視 , ログ・メトリクス クラウド インテグレーション 利用される技術スタック ADK, OpenAI Agents, LangChain… Python, Node.js, Java, Go… Cloud Run, Vertex AI Agent Engine Gemini API, Vertex AI, Cloud SQL, Memorystore オブザーバビリティのアプローチ Managed Infrastructure Application Framework
18. ここまでのお話 Google Cloud のスケーラブルなサービスを利用して、 AI エージェント は「使う」から「作る」フェーズへ AI エージェント は「非決定論的」に動作するため、 結果に至るプロセスが ブラックボックス となる AI エージェント の運用には従来のアプローチに加えて 新たなオブザーバビリティのアプローチ が必要
19. AI エージェントと オブザーバビリティ
20. AI エージェントとオブザーバビリティ 外部出力からシステムの内部状態を 把握できるようにする 「オブザーバビリティ」 内部状態の可視化が必要 可視化する 「非決定論的な性質」を持つ AI エージェントとその実行環境
21. AI エージェントの評価観点 ユーザーが求める結果が 予期せぬ動作で得られなくなる割合 が十分に低いか Issue ツールやモデル呼び出しを介して、 ユーザー体験を損なわない水準 でレスポンスを返せるか Performance 開発者が想定した ルールに沿って、 ユーザーが求める結果 を提供できるか Quality 自律的に呼び出すモデルへの 入出力トークン =利用コスト が想定外に増加 していないか Cost AI エージェント経由の攻撃を想定した 権限制御やデータ保護 がされているか Safety 再掲
22. AI エージェント オブザーバビリティの指標 トレースやワークフローを中心としたツールやモデルへの問題となる 推論プロセスの可視化 LLM 応答のレイテンシーやスループット、エラー率などの アプリケーションメトリクス LLM 応答の精度やハルシネーションの問題 含むユーザー体験の評価 自律的に呼び出されるプロンプトによる トークン数や API コールのコスト プロンプト経由の 機密情報の流出 やプライバシーコンプライアンスの維持 Issue Performance Quality Cost Safety
23. Datadog と AI エージェント
24. Datadog でどのように AI エージェント オブザーバビリティ を構成できるか
25. Datadog が提供する AI 関連機能 Datadog Platformが 提供する AIOps AI を監視する • LLM アプリケーションや AI エージェ ントの性能、品質、安全性を可視化 • OpenAI、Amazon Bedrock などの AI スタックを監視するための OOTB のインテグレーション • AI インフラである GPU の監視 お客様環境の AI を 開発・監視する LLM Observability AI で監視する • プロアクティブな異常検知 • 根本原因調査の支援 • 自然言語を使った障害対応支援 • ワークフローの自動化 • セキュリティシグナルのトリアージ • お客様環境の AI エージェントと 連携させるための MCP サーバー
26. Datadog が提供する AI 関連機能 Datadog Platformが 提供する AIOps AI で監視する • プロアクティブな異常検知 • 根本原因調査の支援 • 自然言語を使った障害対応支援 • ワークフローの自動化 • セキュリティシグナルのトリアージ • お客様環境の AI エージェントと 連携させるための MCP サーバー AI を監視する • LLM アプリケーションや AI エージェ ントの性能、品質、安全性を可視化 • OpenAI、Amazon Bedrock などの AI スタックを監視するための OOTB のインテグレーション • AI インフラである GPU の監視 お客様環境の AI を 開発・監視する LLM Observability
27. LLM Observability Agent Monitoring AI エージェントの複雑なワークフローの可 視化が可能. LLM コール, MCP コールを可 視化しどのように応答を作成したかを表示 LLM アプリケーションのパフォーマンスを 向上し、コストを削減 主要なメトリクスを監視し、最適化の余地 を特定し、統合ダッシュボードとリアルタイ ム アラートで異常に対処 LLM の品質と安全性の向上 ユーザー定義の評価と事前定義された評 価の両方を活用し、プロンプトインジェク ションやハルシネーション、機密情報の漏 洩を特定
28. AI エージェント オブザーバビリティの指標 トレースやワークフローを中心としたツールやモデルへの問題となる 推論プロセスの可視化 LLM 応答のレイテンシーやスループット、エラー率などの アプリケーションメトリクス LLM 応答の精度やハルシネーションの問題 含むユーザー体験の評価 自律的に呼び出されるプロンプトによる トークン数や API コールのコスト プロンプト経由の 機密情報の流出 やプライバシーコンプライアンスの維持 Issue Performance Quality Cost Safety 再掲
29. Datadog × Google Cloud でどのように AI エージェント オブザーバビリティ を実現するか
30. AI を監視する • LLM アプリケーションや AI エージェ ントの性能、品質、安全性を可視化 • OpenAI、Amazon Bedrock などの AI スタックを監視するための OOTB のインテグレーション • AI インフラである GPU の監視 お客様環境の AI を 開発・監視する LLM Observability Datadog が提供する AI 関連機能 Datadog Platformが 提供する AIOps AI で監視する • プロアクティブな異常検知 • 根本原因調査の支援 • 自然言語を使った障害対応支援 • ワークフローの自動化 • セキュリティシグナルのトリアージ • お客様環境の AI エージェントと 連携させるための MCP サーバー
31. Datadog の AI エージェントオブ ザーバビリティに対するカバレッジの 拡大 Google Cloud が持つ多様な AI エージェントエコシステムの拡大 AI を監視 • LLM Observability • AI Integration • Agent Monitoring AI で監視 • Bits AI • Watchdog • Google Cloud 上でのマネージドな AI エージェント実行環境 • Agent Development Kit • Vertex AI • Gemini CLI • etc. Datadog × Google Cloud で実現する AI エージェント オブザーバビリティの民主化
32. Cursor Hosted Any MCP Server Claude Code by Anthropic Agents SDK by OpenAI …and your own AI agents Vertex AI Agent Engine Cloud Run サービス ランタイム LangGraph ADK OpenAI Agents フレームワーク AI エージェント MCP Servers 開発者 Datadog × Google Cloud で実現する AI エージェントオブザーバビリティの民主化 ログ トレース メトリクス ・・・ ツール Datadog MCP Client Cursor
33. まとめ
34. まとめ AI エージェント は非決定論的に動作するため、 内部状態を把握する オブザーバビリティ が有用 Datadog では LLM Observability により AI エージェント オブザーバビリティ を実現 Datadog の AI カバレッジの拡大と Google Cloud 上での AI エージェントエコシステムの拡大で オブザーバビリティの民主化 は加速
35. Thank you