---
title: Datadog entwickelt spezialisiertes KI-Modell für SRE-Untersuchungen
url: https://www.elseif.net/de/datadog-entwickelt-spezialisiertes-ki-modell-fur-sre-untersuchungen
published: 2026-11-01T10:04:46+00:00
language: de
section: Modelle
source: https://www.infoq.com/news/2026/10/datadog-scout-sre-model/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global
organizations: Datadog
publisher: elseif
---

# Datadog entwickelt spezialisiertes KI-Modell für SRE-Untersuchungen

Datadog hat Scout veröffentlicht, ein Modell, das für die Untersuchung von Problemen in der Produktion trainiert wurde. Es ist in Bits Investigation integriert, dem KI-SRE-Produkt des Unternehmens. Dort kann das Modell einen Alarm erfassen, Telemetriedaten analysieren und Vorschläge zur Ursache des Problems machen. Derzeit nutzen Datadog-Ingenieure und eine geringe Anzahl von Kunden das Modell in einer geschlossenen Vorschau.

Die Entwicklung konzentrierte sich primär auf die Kosten. Da eine Untersuchung viele Modellaufrufe erfordern kann, während Bits Abfragen testet und Ergebnisse studiert, sind allgemeine Modelle laut Datadog zu teuer, um sie bei jedem Alarm einzusetzen. Das Ziel ist, dass Bits die Arbeit beginnt, während ein Ingenieur noch auf die Benachrichtigung reagiert.

Scout basiert auf GLM-5.3 Flash und wurde durch verstärkendes Lernen mit Incident-Simulationen nachgeschult. Diese Simulationen basieren auf Mustern aus historischen Fällen und enthalten Alarme, abfragbare Telemetrie sowie eine bekannte Ursache, jedoch keine Kundendaten. Das Modell übt mit Werkzeugen, die denen in Bits nachempfunden sind, wie etwa Suchen in Protokollen, Metriken, Traces, Code, Bereitstellungen und Funktionsflags.

Im technischen Bericht wird beschrieben, dass eine Belohnung basierend auf der finalen Antwort dazu führte, dass Scout weniger Behauptungen aufstellte und Untersuchungen zu früh beendete. Das Team änderte die Belohnung daher so, dass Korrektheit, Exploration und Belege berücksichtigt wurden. Zudem wurden Werkzeuge in einigen Trainingsläufen entfernt oder die Zeit verkürzt, um zu verhindern, dass das Modell einen festen Weg durch einen Vorfall lernt.

Auf dem AlertEval-Benchmark von Datadog erreichte Scout medium eine ähnliche Punktzahl wie GPT-6.1 Sol high und Claude Opus 5.5 high, bei geschätzten Inferenzkosten, die drei bis acht Mal niedriger lagen. In der Einstellung xhigh erreichte Scout laut Datadog die Leistung von Claude Fable 5.1 xhigh für ein Viertel der Kosten. AlertEval nutzt echte Alarme, archivierte Telemetrie und Erklärungen von Datadog-Ingenieuren, wobei ein LLM-Richter die Ergebnisse vergleicht. Die Punktzahl reicht von null bis 100, wobei Datadog betont, dass dies kein Prozentsatz gelöster Vorfälle ist.

In einer weiteren Evaluierung auf SREGym, einem öffentlichen Satz von 90 Fehlern, löste Scout 71 Fälle bei mittlerem Aufwand, 79 bei hohem und 80 bei sehr hohem Aufwand. GPT-6.1 Sol xhigh schloss 82 Fälle ab. Datadog führte diese Tests selbst durch.

Ein Datum für die allgemeine Verfügbarkeit wurde nicht genannt. Datadog plant, weitere Fehlerarten in die Simulationen aufzunehmen und Bits später Reparaturen ermöglichen zu wollen. In der aktuellen Vorschau untersucht Scout den Vorfall, liefert eine Diagnose und schlägt Wiederherstellungsmaßnahmen vor, während ein Ingenieur für die Änderung verantwortlich bleibt.