New Relic AI搭載オブザーバビリティ活用ガイド【2026年版】

1. はじめに

New Relic の AI 搭載オブザーバビリティ は、APM・Logs・Metrics・Events を統合的に収集し、機械学習で相関分析や予測異常検知を自動化します。この記事では、公式ドキュメントを参照しながら AI Ops Insights と Predictive Anomaly Detection の有効化手順、インテリジェントアラートの作成、Kubernetes／サーバーレスでのベストプラクティスまでを実践的に解説します。

2. AI 機能の全体像とリリース時期

New Relic が AI 機能を本格提供し始めたのは 2023 年（公式ブログ）。その後、2024 年に AI Ops Insights と Predictive Anomaly Detection がプラットフォーム全体に拡張されました。

• AI Ops Insights：収集したテレメトリーデータを自動で相関付けし、異常パターンやトレンドを可視化します（Docs – AI Ops Insights）。
• Predictive Anomaly Detection：時系列データに対し、Facebook Prophet と Amazon DeepAR を組み合わせたハイブリッドモデルで予測異常を検知します（Docs – Predictive Anomaly Detection）。

本稿では 2024 年以降の機能 を前提に説明し、2026 年という未確定情報は削除しました。

3. テレメトリー統合 – 基礎設定手順

AI が正しく動作するためには、APM・Logs・Metrics・Events の すべて を New Relic に集約する必要があります。以下のサンプルは「2024‑04 以降にリリースされた最新版」を想定していますが、実際に使用する前に各エージェントの最新インストール手順を公式ページで確認してください。

3.1 APM エージェント（Java）

ポイント：エージェントは言語ごとに異なるので、対象ランタイムに合わせたパッケージを取得します。

1. ダウンロード（最新版 URL は公式リポジトリで随時更新）。
   bash
curl -sSL https://download.newrelic.com/newrelic/java-agent/newrelic-java.zip -o newrelic-java.zip
unzip newrelic-java.zip -d /opt/newrelic
2. 設定：/opt/newrelic/newrelic.yml にライセンスキーとアプリ名を記入。
3. JVM 起動オプションへ追加（Spring Boot 等の場合は JAVA_TOOL_OPTIONS 環境変数でも可）。
   bash
export JAVA_TOOL_OPTIONS="-javaagent:/opt/newrelic/newrelic.jar"

※ バージョン互換性：Java 17 以上を利用する場合はエージェント 8.0+ が必要です。詳細は Java エージェントのインストールガイド を参照してください。

3.2 Logs フォワーダー（Fluentd）

ポイント：New Relic Log API キーは Account settings → Data ingestion で取得できます。

※ 注意：Fluentd のプラグインは gem install fluent-plugin-newrelic でインストールできますが、Linux ディストリビューションのパッケージ管理システムに合わせて yum/apt を併用することも可能です。

3.3 Metrics（Infrastructure エージェント）

1. エージェントインストール（Ubuntu の例）。
   bash
curl -Ls https://download.newrelic.com/infrastructure_agent/linux/apt/release/newrelic-infra.gpg | sudo apt-key add -
echo "deb [arch=amd64] https://download.newrelic.com/infrastructure_agent/linux/apt focal main" | sudo tee /etc/apt/sources.list.d/newrelic-infra.list
sudo apt-get update && sudo apt-get install newrelic-infra
2. カスタムメトリックは metrics.d/*.yaml に定義します。例：CPU 使用率を 5 分間隔で送信
   yaml
# cpu_custom.yaml
name: custom.cpu.percent
type: gauge
value: "{{.cpu_percent}}"
interval_seconds: 300

※ バージョン差異：Enterprise Linux 系は yum コマンド、Debian 系は apt を使用してください。最新インストール手順は Infrastructure エージェントのドキュメント に掲載されています。

3.4 Events（REST API または Kafka プラグイン）

ビジネスイベント（注文完了・課金成功など）は Insights Events として送信します。

※ 推奨：大量イベントは Kafka Connect の New Relic Sink Connector（公式ガイド）を利用するとスケーラビリティが向上します。

4. AI 機能の有効化と活用

4.1 Predictive Anomaly Detection の学習プロセス

概要：AI が異常予測に必要な最低データ期間は 7 日間（フルメトリックが取得できていること）です。

1. データ保持設定確認：Settings → Data Management → Retention で少なくとも 7 日以上の保存が有効かチェック。
2. 機能有効化：New Relic One 左サイドバー > AI Ops Insights → Anomaly Detection を選択し、対象サービス（例：order-service）にチェックを入れる。
3. 感度調整：デフォルトは High。ノイズが多い場合は Medium または Low に変更して再学習させます。設定は UI 上部の Settings → Anomaly detection sensitivity から変更可能です。
4. 学習完了確認：ステータスが “Training Completed” になるまで待ちます（通常 1‑3 時間）。完了するとダッシュボードに予測スコアが表示されます。

参照：詳細な手順は Predictive Anomaly Detection の設定ガイド に記載されています。

4.2 Root Cause AI の結果閲覧

1. アラートが発生すると、対象インシデントの詳細画面に Root Cause タブが自動で追加されます。
2. タブを開くと因果関係グラフ（ノード＝メトリック・エラー、エッジ＝相関度 0‑1）が描画され、AI が算出した上位 3 つの原因がハイライトされます。
3. 推奨アクションは右側に Runbook リンクとして表示され、クリックすると自動生成された手順書（Markdown）を取得できます。

注意点：Root Cause AI は学習データが十分でないと精度が低下します。新規サービスはデプロイ後 48 時間以上のデータ収集を推奨します。

5. インテリジェントアラートと自動修復ワークフロー

5.1 AI 推薦条件を組み込んだアラートポリシー

手順概要：New Relic One の Alerts & AI メニューからポリシー作成し、AI が提案した条件も併せて追加します。

1. ポリシー作成 → Create alert policy → 名前例 CPU‑Anomaly‑Policy
2. 条件追加（Predictive）
3. カテゴリ: Applied Intelligence → Predictive Anomaly Detection
4. メトリック: CPU Utilization、閾値: anomalyScore > 0.8
5. AI 推薦条件のインポート：Add AI suggested condition ボタンをクリックし、表示された候補（例：DB Connection Errors）を選択。

公式リファレンス： Create an alert policy with AI conditions

5.2 Runbook（自動修復）との連携例

以下は GitHub Actions を利用した Kubernetes デプロイメントのスケールアップ のサンプルです。Webhook URL は New Relic の Notification channels に設定します。

1. 通知チャネル設定：Alerts & AI → Notification channels に Slack・PagerDuty と共に Webhook を追加し、GitHub Actions の workflow_dispatch エンドポイント URL を貼り付けます。
2. ポリシーのインシデントレスポンスで「Execute webhook」→先ほど作成した Webhook を選択します。

安全策：自動実行前に approval: true フラグを設定し、手動承認が必要になるように構成できます（Runbook のベストプラクティス）。

6. ダッシュボードでの SLO と Business KPI 可視化

6.1 カスタムダッシュボード作成手順

1. Dashboards → Create dashboard → SLO & Business KPI と命名。
2. ウィジェット例（NRQL クエリ）
3. SLO 完了率
   sql
SELECT percentage FROM Metric
WHERE metricName = 'service.slo.completion'
SINCE 30 days ago TIMESERIES
4. 売上 KPI（Orders イベント）
   sql
SELECT sum(amount) FROM OrderCompleted
SINCE 1 week ago

5. 予測異常スコア（Predictive Anomaly Detection の出力）
   sql
SELECT max(anomalyScore) FROM Metric
WHERE metricName = 'cpu.utilization'
SINCE 24 hours ago TIMESERIES

6. ウィジェット右上の Add AI recommendation ボタンで、AI が自動提案する改善アクション（例：Increase replica count）をカード形式で表示させます。

公式情報： NRQL の構文とサンプル

7. 実践ユースケース：Kubernetes とサーバーレス環境

7.1 Kubernetes クラスタ監視フロー

参照： Kubernetes Integration のセットアップ手順

7.2 サーバーレス（AWS Lambda）パフォーマンス分析

1. New Relic Extension for Lambda をレイヤーとして追加し、環境変数 NEW_RELIC_LICENSE_KEY と NEW_RELIC_APP_NAME を設定。公式手順は Lambda のインテグレーションガイド にあります。
2. Cold Start とエラーレート：AI が「ColdStart Duration > 500 ms」かつ「Error Rate ↑」を検知したら、デプロイパッケージの依存関係削減や Provisioned Concurrency の導入を推奨。
3. MTTR 計測：NRQL で以下クエリを実行し、月次レポートに組み込む。
   sql
SELECT average(mttd), average(mttr)
FROM Metric WHERE metricName = 'lambda.invocation' SINCE 30 days ago

ベストプラクティスまとめ

• 統一タグ付与：K8s の service, team、Lambda の function_name を共通ラベルにし、AI が横断的に相関分析できるようにする。
• 学習期間確保：新規リソースはデプロイ後最低 48 時間はフルメトリックを取得させ、モデルの精度向上を図る。
• 自動修復は段階的に：Runbook 実行前に「承認」ステップや「ロールバック」スクリプトを用意し、誤操作による障害拡大を防止する。

8. 結論

• AI Ops Insights と Predictive Anomaly Detection（2024 年リリース）は、テレメトリー全体の相関と予測異常検知を自動化し、インシデント対応時間（MTTR）を大幅に短縮します。
• APM・Logs・Metrics・Events の統合 が前提となるため、各エージェントの最新版インストールと設定は必須です。
• Root Cause AI による因果関係可視化と、AI 推薦条件を組み込んだアラート + Runbook の自動修復フローで、手作業を最小限に抑えられます。
• SLO と Business KPI を同一ダッシュボードで表示 すれば、技術チームと経営層の意思決定がスピーディーになります。
• Kubernetes／サーバーレス環境でも有効 なベストプラクティス（統一タグ、学習期間確保、段階的自動修復）を導入すれば、モダンなマイクロサービス基盤でも AI 可観測性の恩恵を最大化できます。

これらの手順とベストプラクティスを自社環境に適用することで、New Relic の AI 搭載オブザーバビリティがシステム全体の可視性と信頼性を向上させ、ビジネス価値創出へ直結します。