Parcours : Dynatrace SaaS · Module 8/8 — OpenTelemetry/IA · Durée : ~90 min · Niveau : avancé
Objectifs :
- Situer OpenTelemetry par rapport à OneAgent et choisir entre les deux, ou les combiner.
- Envoyer traces, métriques et logs en OTLP vers Dynatrace, directement ou via un Collector.
- Lire une trace d’application LLM et ses attributs (modèle, jetons, latence).
- Comprendre la place de MCP dans une architecture d’agents et ce qu’il faut en observer.
Prérequis : l’ensemble du parcours, notamment les modules 3 (DQL) et 6 (logs) ; des notions de Python ou d’un autre langage instrumentable ; un environnement d’essai et un jeton d’API.
Ce dernier module de formation couvre OpenTelemetry et IA dans Dynatrace SaaS : comment intégrer des signaux standardisés venus d’applications que OneAgent n’instrumente pas, puis comment appliquer ces mêmes principes aux applications d’IA générative, des appels de modèles aux agents qui utilisent MCP. Ces deux sujets sont liés : l’observabilité des LLM s’appuie aujourd’hui largement sur OpenTelemetry.
À l’issue de ce module, vous aurez parcouru toute la chaîne : collecter, interroger, visualiser, alerter, traiter les logs, automatiser, et enfin intégrer des sources ouvertes.
OpenTelemetry/IA : pourquoi un standard ouvert ?
OpenTelemetry (OTel) est un projet de la CNCF qui définit des API, des SDK, un protocole (OTLP) et des conventions de nommage pour les traces, les métriques et les logs. Son intérêt : instrumenter une fois et pouvoir envoyer les données vers le backend de son choix. Le tableau suivant aide à se positionner :
| Situation | Approche recommandée |
|---|---|
| Hôtes et clusters que vous administrez | OneAgent, pour l’instrumentation automatique et la topologie complète. |
| Code déjà instrumenté avec OTel | Envoi OTLP ; OneAgent peut aussi enrichir les spans OTel des processus qu’il surveille. |
| Environnements sans agent possible (serverless, appliance, langage peu couvert) | SDK OTel et export OTLP. |
| Applications LLM et agents | Bibliothèques d’instrumentation OTel spécialisées, en complément de OneAgent sur l’infrastructure. |
Pour un exemple complet de corrélation entre navigateur, services et hôtes, voir OpenTelemetry de bout en bout.
Envoyer des données en OTLP
Envoi direct
Dynatrace expose un point d’entrée OTLP sur HTTP. Les exportateurs OTel se configurent avec des variables d’environnement standard :
export OTEL_SERVICE_NAME="commande-api"
export OTEL_EXPORTER_OTLP_ENDPOINT="https://<id-environnement>.live.dynatrace.com/api/v2/otlp"
export OTEL_EXPORTER_OTLP_PROTOCOL="http/protobuf"
export OTEL_EXPORTER_OTLP_HEADERS="Authorization=Api-Token <jeton>"
Le jeton doit porter les permissions d’ingestion correspondant aux signaux envoyés (traces, métriques, logs). Vérifiez l’URL exacte et les permissions dans la documentation : elles diffèrent selon que vous passez ou non par un ActiveGate.
Via un OpenTelemetry Collector
En production, on intercale généralement un Collector : il reçoit les données des applications, les enrichit, les filtre, les regroupe en lots et les exporte. Il centralise aussi le jeton, qui n’a plus à être distribué à chaque service. Dynatrace publie sa propre distribution du Collector, mais la distribution communautaire convient aussi. Un squelette de configuration :
receivers:
otlp:
protocols:
grpc:
http:
processors:
batch:
exporters:
otlphttp:
endpoint: "https://<id-environnement>.live.dynatrace.com/api/v2/otlp"
headers:
Authorization: "Api-Token ${env:DT_API_TOKEN}"
service:
pipelines:
traces:
receivers: [otlp]
processors: [batch]
exporters: [otlphttp]
Point d’attention sur les métriques : Dynatrace attend une temporalité delta. Si vos SDK produisent des métriques cumulatives, configurez-les en delta ou convertissez-les dans le Collector.
Interroger ce qui arrive
Une fois les données reçues, elles se requêtent dans Grail comme le reste :
fetch spans, from:now()-30m
| filter service.name == "commande-api"
| summarize nb = count(), duree_moy = avg(duration), by:{span.name}
| sort nb desc
Observer une application LLM
Une application d’IA générative ajoute des questions nouvelles : quel modèle a répondu, combien de jetons ont été consommés, combien de temps a pris la génération, quels outils l’agent a appelés. OpenTelemetry définit des conventions sémantiques « GenAI » pour normaliser ces informations dans les spans, avec des attributs comme gen_ai.request.model, gen_ai.usage.input_tokens et gen_ai.usage.output_tokens. Ces conventions sont encore en évolution : vérifiez les noms exacts produits par votre bibliothèque.
Des bibliothèques comme OpenLLMetry instrumentent automatiquement les clients des principaux fournisseurs et frameworks. Dans Dynatrace SaaS, ces traces alimentent des vues dédiées à l’observabilité de l’IA et restent interrogeables en DQL, par exemple pour suivre la consommation de jetons par modèle :
fetch spans, from:now()-24h
| filter isNotNull(gen_ai.request.model)
| summarize jetons_entree = sum(gen_ai.usage.input_tokens),
jetons_sortie = sum(gen_ai.usage.output_tokens),
by:{gen_ai.request.model}
Le pilier observabilité IA de bout en bout détaille les enjeux de qualité et d’évaluation, au-delà des seules performances.
Et MCP dans tout cela ?
Le Model Context Protocol (MCP) standardise la façon dont un agent d’IA accède à des outils et à des données. Il intervient à deux niveaux dans ce parcours. D’abord, comme objet à observer : chaque appel d’outil MCP par un agent est une étape qui peut échouer ou ralentir, et qu’il est utile de tracer comme un span. Ensuite, comme interface vers Dynatrace : le serveur MCP de Dynatrace permet à un assistant d’interroger vos données, par exemple d’exécuter une requête DQL ou de lister des problèmes, depuis un éditeur ou une messagerie. Pour démarrer, lisez le Model Context Protocol expliqué, puis, pour un cas concret côté Dynatrace, Dynatrace dans Microsoft Teams avec le serveur MCP.
Exercice pratique
Étape 1 — Créer un jeton
Dans votre environnement d’essai, créez un jeton d’API avec les permissions d’ingestion OTLP pour les traces et les métriques. Résultat attendu : un jeton stocké dans une variable d’environnement, jamais dans le code.
Étape 2 — Instrumenter une petite application
Prenez une application de démonstration (par exemple un petit service Python) et activez l’instrumentation automatique OpenTelemetry de son langage, avec les variables OTEL_* ci-dessus. Résultat attendu : l’application démarre sans erreur d’export.
Étape 3 — Vérifier l’arrivée des spans
Générez quelques requêtes, puis exécutez la requête fetch spans filtrée sur votre service.name. Résultat attendu : des spans visibles en moins de quelques minutes.
Étape 4 — Ajouter un appel LLM
Si vous disposez d’une clé de fournisseur ou d’un modèle local, ajoutez un appel de modèle instrumenté par une bibliothèque compatible GenAI. Résultat attendu : un span portant le nom du modèle et le nombre de jetons, retrouvé avec la requête de consommation.
Quiz
- Quel est le protocole d’export standard d’OpenTelemetry ?
A. SNMP · B. OTLP · C. Syslog · D. JMX - Quel est l’avantage principal d’un Collector entre applications et Dynatrace ?
A. Il remplace Grail · B. Il centralise traitement, lots et identifiants · C. Il supprime le besoin de jeton · D. Il génère les dashboards - Quelle temporalité de métriques Dynatrace attend-il en OTLP ?
A. Cumulative · B. Delta · C. Aucune importance · D. Mensuelle - Que standardise MCP ?
A. Le format des logs · B. L’accès d’un agent d’IA à des outils et des données · C. Le stockage des métriques · D. Le protocole réseau entre OneAgent et le cluster
Corrigé
- B — OTLP transporte traces, métriques et logs en gRPC ou HTTP.
- B — le Collector enrichit, filtre, regroupe les données et garde le jeton en un seul endroit.
- B — des métriques cumulatives doivent être configurées en delta ou converties.
- B — MCP décrit comment un agent découvre et appelle des outils et des sources de données.
Pour aller plus loin
- Sommaire du parcours Dynatrace SaaS
- OpenTelemetry de bout en bout : du clic utilisateur à l’hôte
- Langfuse et OpenLLMetry : observer une application LLM
- Documentation officielle Dynatrace (rubriques OpenTelemetry et AI Observability)
- Conventions sémantiques GenAI d’OpenTelemetry
← Module 7 : Workflows et automatisation · Sommaire du parcours · Retour au sommaire du parcours →
Questions fréquentes
Faut-il choisir entre OneAgent et OpenTelemetry ?
Non. OneAgent reste le plus simple sur l’infrastructure que vous contrôlez ; OpenTelemetry couvre le reste et apporte la portabilité. Les deux se combinent dans le même environnement.
Les prompts et réponses des LLM sont-ils envoyés dans les traces ?
Cela dépend de la bibliothèque et de sa configuration. Ce contenu peut être sensible : désactivez sa capture ou masquez-le, par exemple dans le Collector ou avec OpenPipeline, si vos règles l’exigent.
Quelle suite après ce parcours ?
Consolidez sur un vrai projet : instrumentez un service, construisez son dashboard, ses alertes et un workflow. Les formations et certifications officielles permettent ensuite de valider ces acquis.
Ce module clôt le parcours Dynatrace SaaS. Vous savez désormais faire entrer des signaux standardisés dans Grail, les relier à vos services et suivre les applications d’IA avec les mêmes outils que le reste de votre système.
span.observer est un blog indépendant de la communauté, non affilié à Dynatrace LLC. Ce parcours ne remplace pas les formations et certifications officielles de Dynatrace University. Vérifiez les fonctionnalités dans la documentation officielle de votre version.
2 comments