该公司在理解其庞大而复杂的基础设施方面面临挑战，尤其是在像 Jake Paul 与 Mike Tyson 对决这样的大型直播活动期间，该活动吸引了 6500 万次流媒体观看。调试问题（例如主页渲染缓慢）可能需要数小时，因为相关信息分散在不同的系统中。这些系统通过指标（metrics）、事件（events）、日志（logs）和追踪（traces，合称 MELT）收集数据，但有效关联这些数据十分困难。核心问题在于缺乏对运维实体的共享、机器可读的理解。为解决这一问题，他们开发了一套“可观测性本体”（Observability Ontology），即对其运维世界中类型、属性和关系的形式化规范。该本体采用 RDF、OWL、SHACL 和 SPARQL 等标准，并将数据存储为知识图谱。一个关键的设计决策是避免使用通用的"Service"类型，转而采用具体且经过验证的类型，如 ops:Application。此外，他们还选择对事故讨论中的推理和上下文进行建模，将非结构化的聊天内容转化为结构化的三元组。该本体通过流水线方法，从本质上具有随机性的过程（如大语言模型 LLM 和模糊匹配）中实现确定性。该流水线使用“增强器”（enrichers），通过将嘈杂的输入转换为带类型的三元组来降低熵值，并遵循严格的契约。这些增强器确保每个实体都具有类型，URI 遵循命名规范，且应用程序需与目录进行验证。流水线按顺序运行以避免竞态条件，外部调用采用尽力而为（best-effort）方式以防止阻塞。随后，“关联引擎”（Correlation Engine）整合来自各种来源的信号，识别事件的因果或相关链条。它分析十三种信号类型，提出带有证据和置信度分数的假设，并存储支持性的图谱记录。每一次观测、增强、关联和存储的循环构成一个“知识飞轮”（Knowledge Flywheel），持续丰富知识图谱并提升系统上下文。该飞轮旨在通过提供统一且互联的系统运维视图，减少调试时间。