Smart Talk エピソード 7:可観測性におけるカーディナリティ、制御、コストのナビゲート

このシリーズでは可観測性と AIOps の補完空間について数回議論しましたが、今回は、購入者の心理を理解するために、このトピックをより実践的に掘り下げていきます。組織の CIO は、可観測性ソリューションの市場に参入する際に何に注意すべきでしょうか? Stratola の首席アナリスト兼創設者である Dinesh Chandrasekhar が、Kloudfuse CEO の Krishna Yadappanavar と語るこのエピソードにご参加ください。クリシュナは、カーディナリティ、コントロール、コストという 3 つの要素のレンズを通して可観測性を説明します。
これら 3 つの C は、増え続ける可観測性データを理解して管理するための鍵となります。これらの要素は、データを管理するだけでなく、追加の分析にデータとメタデータを活用するためにも重要です。
可観測性の分野における新たな発展は、モデルの可観測性、特に生成 AI を推進する LLM です。 3 つの C は、この新たなユースケースにも当てはまります。

Smart Talk のこのエピソードで取り上げられるトピックの一部は次のとおりです。

• 可観測性データの可能性
• ツールの急増
• サイロ化された可観測性データを克服する
• メタデータの考慮
• コストに関する洞察

ゲスト
クリシュナ・ヤダッパナヴァル氏、Kloudfuse CEO
Krishna Yadappanavar は、統合可観測性プラットフォームである Kloudfuse の共同創設者兼 CEO です。彼は以前 SpringPath を共同設立し、9,400 万ドルの資金を確保し、同社を Cisco による 3 億 2,000 万ドルの買収に導きました。 20 を超える特許を取得したクリシュナは、Veritas、Commvault、EMC、VMware、Cisco のデータ、仮想化、ストレージ テクノロジーに大きな影響を与えてきました。彼は VMware の VMFS を共同作成し、ESX Server のストレージ仮想化スタックの重要なコンポーネントを設計しました。さらに、クリシュナは、データ、仮想化、クラウド、セキュリティ、AI/ML の分野で新興スタートアップ企業にアドバイスと投資を行い、ビジョン、製品戦略、エンジニアリング、市場開拓の取り組みに貢献しています。

ホスト:  Dinesh Chandrasekhar は、テクノロジー エバンジェリスト、思想的リーダー、そして経験豊富な IT 業界アナリストです。 30 年近い経験を持つ Dinesh は、複雑なアーキテクチャを持つ顧客に洗練されたソリューションを提供およびマーケティングする SaaS 製品だけでなく、B2B エンタープライズ ソフトウェアにも取り組んできました。また、彼は、LogicMonitor、Cloudera、Hortonworks、CA Technologies、Software AG、IBM などのさまざまな企業でいくつかの高成長製品を市場に投入するために、非常に成功した GTM 戦略を定義して実行してきました。彼は、多作の講演者、ブロガーであり、週末のプログラマーでもあります。ディネシュはサンタクララ大学で MBA を取得し、マドラス大学でコンピュータ アプリケーションの修士号を取得しています。現在、Dinesh は、顧客重視のビジネス戦略コンサルティングおよびフルスタック マーケティング サービス会社である Stratola という自分の会社を経営しています。

リソース
Smart Talk エピソード 6:AIOps と IT モニタリングの未来
Smart Talk エピソード 5:可観測性スタックの分解
Smart Talk エピソード 4:リアルタイム データとベクトル データベース
Smart Talk エピソード 3:最新のデータ パイプラインと LLM
Smart Talk エピソード 2:Data-in-Motion を使用した GenAI アプリケーションの台頭
Smart Talk エピソード 1:Data-in-Motion エコシステムの状況
データ・イン・モーションのエコシステム マップはこちらでご覧ください。
RTInsights の移動中のデータの詳細についてはこちらをご覧ください。

トランスクリプト
ディネシュ・チャンドラセカール

こんにちは。Data in Motion リーダーシップ シリーズである Smart Talk の今回のエピソードへようこそ。そしてこのエピソードには特別ゲスト、クリシュナ・ヤダッパナヴァルが登場します。彼は Cloud Fuse の CEO です。彼はスタートアップのエコシステムに精通しています。彼は連続起業家です。彼はこれまでにいくつかの会社を設立しているため、可観測性についての会話をクリシュナが行うことを心から歓迎します。これもこのシリーズのお気に入りのテーマです。 

クリシュナ・ヤダッパナヴァル

ありがとうございます。

ディネシュ・チャンドラセカール

それで、クリシュナ、自己紹介の一環として、Kloudfuse と会社を立ち上げるあなたの動機について話してみてはいかがでしょうか?

クリシュナ ヤダッパナヴァル (01:01):

わかりました、絶対に。ありがとう、ディネシュ。温かいご紹介をありがとうございます。こんにちは皆さん、私の名前はクリシュナです。はい、私はほぼ 20 年以上バレーに住んでおり、多くの新興企業や大企業と仕事をしてきました。有名な名前は、初期のスタートアップだった頃の VMware のようなものです。私は入社して、文字通り 100 万 ERR 近くから 640 億の企業に成長するのを目の当たりにし、ファイル システム、分散システム、データベース、OLAP や OLTP の作成など、さまざまなデータ関連テクノロジに携わってきました。さて、この旅を通じて私が気づいたのは、データが製品分析側であろうと、仮想化などのソリューションの提供であろうと、バックアップや災害復旧などのソリューションの提供であろうと、データがすべての洞察の秘密であるということです。私のスタートアップである Springpath はハイパーコンバージェンスにあり、ストレージ、ネットワーキング、セキュリティをすべて 1 つのボックスにまとめて Cisco に販売しようとしていました。

そして、シスコでしばらく過ごした後、次に来る大きなトレンドは何だろうと考えていました。これは 2020 年の初めに遡ります。私は、開発者の DevOps または SecOps に関するデータがどのように指数関数的に増加しているかに関連する傾向など、いくつかの傾向に遭遇しました。 LLM モデルが初期段階にあった当時の機械学習 AI および LLM モデルの新しいトレンドは、市場をどのように破壊するのでしょうか?そして、人間の脳が特定の出来事に対して考えて反応し始めると、機械にも同じように動作してもらいたいと考えるようになります。これらは私たちが遭遇した問題の一部であり、これら 3 つすべてが交わる点で、開発者と DevOps に焦点を当てたデータに加えて、可観測性だけでなく可観測性と分析と自動化の問題を解決することが非常に重要であることがわかりました。それが Kloudfuse の始まりにつながりました。一方が他方につながり、現在私たちは約 40 人以上のチームになっています。

ディネシュ チャンドラセカール (03:16):

おめでとうございます。素晴らしいスタートです。それでは、その旅の幸運を祈っています。可観測性について言えば、これは昨日始まったことではありません。私もその分野でかなりの期間仕事をしましたが、可観測性の概念は長年にわたって進化してきました。つまり、もともと 10 年、12 年前、人々はインフラストラクチャ監視、ネットワーク監視などについて話すことに興奮していましたが、その後、徐々にあることが別のことにつながり、その後、クラウド監視とコンテナ監視機能が追加されました。そして今日、非常に人気のある可観測性という概念があります。かつて監視を宣伝していた企業のほとんどは、現在は可観測性を備えた企業になっています。そして、あなたが変化を生み出したいと考えて、可観測性の分野で新たにスタートしたことを私は知っています。この進化をどう説明しますか?今日のものと比べて以前は何でしたか？この進化をどのように見てきましたか?

クリシュナ ヤダッパナヴァル (04:09):

はい、素晴らしい質問です。ディネシュ。私はこれを見てきました。つまり、私自身が開発者として、物理マシンで実行されるモノリシック アプリケーションを作成しているということです。その後、VMware や Hyper-V などの仮想化の出現、またはオープンソースの仮想化テクノロジとコンテナ化が登場しました。つまり、観測のためのデータに関する中核的な問題に注目すると、これらの評価が進化するにつれて、データに関連付けられた属性が増加し続けていることがわかりました。これらの属性のデカルト積を取ると、データは数百万から数十億のオーダーで非常に大きくなります。そのカーディナリティに関連付けられたカーディナリティと呼ばれるものは、データ ボリュームです。データ量が増加するにつれて、より優れた分析を行うためにデータ A をデータ B に変換したいと考えるようになります。彼らは、データに基づいて特定のワークフローを自動化したいと考えています。

彼らは、より良い洞察を提供できるように、データを細かく分割したいと考えています。つまり、データ量が増加するにつれて、いわゆる既知のものが消えていくのを監視していました。これが従来の監視です。次に、既知の未知の部分に注目します。これは可観測性の始まりであり、完全な未知の未知の部分があり、そこでは何も知らず、数テラバイトからペタバイトの価値のあるデータが放り出されます。そのデータを分析し、問題が正確にどこにあるのか、それがインシデントとどのように相関しているのか、根本原因の分析は何か、影響の分析は何なのかを見つけ出すより適切な言葉が見つからないことに到達する必要があります。したがって、開発者がコードを作成する限り、この複雑さとサービスの増加は今後も続きます。この複雑さは今後もさらに高度になるため、新たな課題が出現する進化する空間であり続けます。

ディネシュ チャンドラセカール (06:14):

素晴らしい。したがって、可観測性は明らかに解決が難しい問題です。それはなぜなのか調べてみたいと思います。しかし、先ほども少し触れられたと思いますが、私たちの市場には、可観測性のこの部分やこの種の可観測性などすべてを解決すると主張する十数のベンダーが存在する混雑した市場が存在しますが、理想的なソリューションの模索がまだ続いているということでもあります。したがって、私が話をするすべての CIO は常に、問題を解決する特効薬を探しています。何故ですか？理想的なソリューションを手に入れたいという別の衝動がある理由を理解するために、別のレンズを通して見なければならないものはありますか?

クリシュナ ヤダッパナヴァル (07:04):

それで、先ほどほのめかしたように、少し後退させてください。顧客が理想的な観察ソリューションを考えるとき、何を見ているのでしょうか?問題から始めましょう。私はこの問題を、カーディナリティ、コントロール、コストの 3 つの C として分類します。次のレベルの詳細に進みましょう。これら 3 つの C は何を意味しますか?カーディナリティ、それが特定のデータをどのように取得するかがすべてです。それが、トリッキーなメトリクス ポイントであれ、ログラインであれ、イベントであれ、トレースであれ、ディストリビューター トレースや連続プロファイルのプロファイルから得られるスパンであれ、これ以上適切な言葉、ラベル、タグが見つからないため、データには追加の付加が付けられます。これらのラベルが取り得る潜在的な値のデカルト積を取ると、その値は非常に大きくなります。したがって、すべてのデータ ポイントをそのタグに関連付ける必要があります。

そこで、タグをメタデータとして呼び出しましょう。そしてデータがあります。スキームが異なれば、問題も異なります。メタデータが重いものもあります。マトリックス サイトにアクセスすると、ログや分散トレースのようなスパンにアクセスすると、データが重いように見えますが、実際には、カーディナリティによって可観測性データの量が大幅に増加します。最近ではその逆の傾向が見られます。つまり、当時は、「データを SaaS ポータルに送信すれば、SaaS ベンダーがそのデータをすべて管理してくれる」と考えられていました。しかし、CTO、CIO、エンジニアリング責任者、開発者、アーキテクト、さらには CFO と話すとき、彼らは私にデータを管理させようと考えます。それはどういう意味でしょうか？リスクコストの増大、セキュリティの側面、データ自体の量など、さまざまな理由で非常に多くのデータを保有するという逆の傾向が生じています。

彼らはそのデータを VPC の外に送信したくないのですが、これには別の角度があります。彼らは、ダッシュボード、アラート、SLO、または従来の SQL や GraphQL で記述できる分析関数の作成などの従来の観測機能の種類のインターフェイスであっても、可観測性がその基本的な柱になっているため、可観測性データに基づいて分析を実行する Spark ジョブのような高度なインターフェイスであっても、考えられるすべてのインターフェイスを導入したいと考えています。つまり、データを所有する必要があります。データは VPC から出てはいけません。データとは、取り込まれるデータ、クエリされるデータ、分析されるデータ、そして最後に重要なことはコストです。従来の SaaS 商用ベンダーであれ、オープンソース コンポーネントであれ、ベンダーにアクセスすると、オープンソース ソリューションが数多く存在します。インフラストラクチャのコスト、つまりベンダーのコストは、データ量、クエリ数、およびユーザー数に直接比例します。これら 3 つは、理想的なソリューション、理想的な可観測性ソリューションを探している従来の組織が探している問題です。

ディネシュ チャンドラセカール (10:24):

カーディナリティ、制御、コスト。私はそれが大好きだと思います。 3 つの C は、可観測性空間を観察し、実際のユーザーにとって何が重要かを推測する方法などを検討するための優れた方法です。コストの話、先ほど触れましたので、これも質問させていただきたいと思います。私自身の個人的な経験から言えば、可観測性ソリューションを探している顧客と話したとき、彼らがよく不満を言うのは次のようなものです。現在、組織全体でおそらく 30 ～ 40 のツールを検討しています。すでにこれらのライセンスに毎年多額の費用を支払っています。 「なぜもう 1 つ可観測性ソリューションが必要なのか」と、私はよく反発を受けました。コストの面について触れたところで、私も同じ質問を投げかけます。 CIO にこの質問にどのようにアプローチし、CIO を説得したり、30 や 40 の異なるツールを使用するよりもこれが優れている理由を伝えたりするにはどうすればよいでしょうか?

クリシュナ ヤダッパナヴァル (11:23):

わかりました、素晴らしい質問です。その質問に答えるために、なぜツールが急増しているのかという問題から始めましょう。したがって、エコシステム全体を見ると、伝統的に一部のベンダー、商用ベンダーを例に挙げると、特定のストリームでは非常に優れていました。ログにアクセスすると、Splunk について考えることができます。メトリクスについて考えるときは、Datadog を思い浮かべます。次に、Google と世界中のすべての FANG の内部です。このオープンソースの動き全体は、特に Kubernetes の出現とともに始まり、その後、Prometheus、OpenTelemetry などが登場しました。

そして、オープンソースベースのソリューションに向けて移行しつつある全体的な変化があります。それはどういう意味ですか？つまり、開発者、アーキテクト、DevOps 担当者は、可観測性データをオープン形式で取り込みたいと考えています。つまり、コードをインストルメント化するために任意のインスツルメンテーションを選択したり、データを収集するためにエージェントを配置したりしたとしても、それは 100% オープンソース互換である必要があります。だからこそ、商用ベンダーも自社のエージェントをオープンソースで導入し始めたとき、クエリ側では、視覚化全体、ダッシュボード、アラートなど、これらすべての機能をオープンソースのクエリ言語で駆動したいと考えたのです。 PromQL、LockQL、TraceQL、OpenTelemetry の出現により、彼らは現在、別のオープンソース クエリ言語を試しているのはそのためです。

 さて、あなたは今、たくさんの選択肢があるこの世界にいます。顧客はすでに特定のストリーム、特定のベンダーを選択しています。

その後、オープンソースの動きがあり、さまざまなチームがさまざまなインフラストラクチャを使用するようになりました。 Kubernetes に基づいているもの、サーバーレスに基づいているもの、ECS や Fargate などに基づいているものもあります。つまり、別の次元が追加され、製品配信全体のスピードと機敏性を実現するために、CI/CD はこの交差点で進化し、問題を迅速に解決するようになりました。彼らは、尖った解決策を探そうとするため、最終的には非常に尖った解決策を選択することになります。理想的な可観測性ソリューションとして、私が会社で可観測性スタックを開始するとしたら、私は一歩下がって、「MTTR と MTTD を削減したい場合は、可観測性データのエンド ストリームをすべて収集する必要がある」と考えるでしょう。 n に行きますか? さまざまなベンダーを選択し、n を選択します それとも、すべてのストリームをまとめて相関関係や、外れ値の検出、異常、因果関係などの高度な機能を比較的簡単に実行できる可観測性データレイクに移動するのでしょうか?これは、社内のデータを保存できるデータ レイクにすべてを統合できる理想的なソリューションです。

ディネシュ チャンドラセカール (14:18):

素晴らしい。また、ツールの普及にかかるコストについても付け加えておきたいと思います。開発者は独自のものを構築したいと考えており、多くのオープンソース ツールも加えていますが、それは部門レベルの購入でもあるため、私も同意します。そのため、IT 部門は、私に絆創膏のソリューションを提供し、既製品のこのツールを購入して使用させてくれるので、私がこの問題を解決できると感じています。そして時間が経つにつれて、彼らは自分たちが木を見て森を見ているわけではないことに気づかずに、武器庫にもう 1 つのツールを追加していることに気づきました。そのため、CIO の会話は常に興味深いもので、企業全体で使用するツールの数をどのように圧縮または削減し、部門全体、アプリケーション、インフラストラクチャ コンテナなど全体を監視する 1 つの可観測性プラットフォームを実現する方法について話されています。 

クリシュナ ヤダッパナヴァル (15:08):

絶対に。つまり、社内のさまざまな担当者も同じデータを参照しているということを付け加えたいと思います。 DevOps 開発者と同様に、アーキテクトもインフラストラクチャ、コンテナ化アプリケーションなどに関する可観測性データに注目しています。同じログを使用します。 SecOps 担当者は、セキュリティと脅威を探すためにデータを分析しようとしています。ログまたはトレースから得られる同様のデータを確認します。 DataOps 担当者でさえ、「おい、私のデータ操作はどれほど優れているのだろうか?」というような目で見ています。そして今、LLM の出現により、LLM Ops 担当者さえも同様のデータを調べて、同様の分析を行っています。したがって、別の統合を行う必要があります。これは、私が理想的な可観測性ソリューションに求めるものの 1 つです。組織内のさまざまなペルソナをすべて、いわゆる同じデータレイクからのデータを活用できるようにするにはどうすればよいですか。

ディネシュ チャンドラセカール (16:05):

まさに、私たち全員が目指してきた、ことわざにある一枚ガラスのようなものです。それは良いことです。そこで、もう一つ触れておきたいのですが、先ほどの答弁の中でちょっと触れられましたが、MTTRの削減についてでしたよね。したがって、可観測性の主な核心として、トラブルシューティングだけでなく、MTTR の削減、アラート ノイズの削減、およびそのような種類のメトリクスも重要です。したがって、これにより、SRE と IT 運用担当者が、問題がどこにあるのか、そして問題を解決するための重要な基本要件としてすべてを把握するのに苦労する必要がなくなりました。発生中のリアルタイム イベントにアクセスする必要があります。特定のアプリケーションや特定のサーバーに悪意のあるアクティビティなどに関して入力されたログがある場合、その異常がどこにあるのか、インフラストラクチャ全体で何が起こっているのか、特定のメモリ スレッドでこの特定のスパイクが発生した理由などを理解するには、その場でそのイベントにすぐにアクセスする必要があります。

したがって、それを理解する必要があり、それを実現するには、これらすべてをリアルタイムで取り込む機能も必要です。データの即時性については、私がここ 1 年間ずっと話してきたお気に入りの用語ですが、ここではデータの鮮度が最も重要です。これが私たちが話していることです。データがどれほど新鮮であるか、特定の問題をどれだけ早く解決できるか、あるいは可観測性のこの特定のコンテキストで起こりそうな何かを回避できるか、特に監視しているサーバー内の何百、何千ものサーバーについて話している場合、またはデータを可能な限り新鮮にするかどうかという点で問題がどこにあるのかを正確に指摘します。それは摂取メカニズムに大きく依存しているのでしょうか？というのは、あなたは TEL や他の種類の計測技術などについても話したからです。では、リアルタイム データにどれだけ早くアクセスできるかという観点から、他にどのように考えたり、考えたりするでしょうか?

クリシュナ ヤダッパナヴァル (18:03):

さて、観察チームのもう 1 つの優れた点は、間違いなく正しいです、デンマーク人。したがって、観測データが消費される重要な側面は、アプリケーションであれ、インフラストラクチャ コンポーネントであれ、オープンソース コンポーネントなどのプラットフォームであれ、データがデータのソースから出た瞬間に、どれだけ早くデータを入手できるかということです。そのために、過去 5 ～ 10 年ほどで業界がどのように進化したかを見てみると、リアルタイム ストリーミング サービスやリアルタイム データベースが登場しました。従来の観察ソリューションを見ると、テクノロジーが比較的古いため、それらの機能を活用できませんでした。そのため、リアルタイム ストリーミングとリアルタイム データベースの出現により、できるだけ早くデータにアクセスできるようになりました。つまり、これは、データがアプリケーションを出た瞬間からすぐにクエリできるようになるまでの、いわゆるデータの鮮度の尺度であり、それだけが重要です。

それから、「すべてのデータを持っている」というような側面もあります。そのデータをどのように区分すればよいでしょうか?根本原因を突き止めるために必要な関連パターンをどのように見つけるかが、次の問題です。つまり、データをあるデータから別のデータに変換できるはずです。やあ、一連のログを取得しています。ログからメトリクスをすぐに確認できますか?一連のスパンを取得しています。そのデータを分析するために、そのスパン内の属性またはトレースを確認できますか?通常、これらの属性は相関しており、それによってデバッグが行われるためです。つまり、それは次の次元です。そして 3 番目の次元は高度な分析です。そのデータに加えて、興味深い統計モデルや大規模な言語モデルを使用してデータを分析し、システム内のいわゆる外れ値を見つけることはできますか?

システムの異常を見つけることはできますか?さて、データの季節性の側面を調べてもいいですか?過去に見たものに基づいてデータを予測できますか?データの季節的側面は?これらすべてが、私が高度な分析のパッケージと呼んでいるものです。したがって、データが更新されて解決された後の全体的なソリューションについて考えるときは、データをブリックの単位として考え、次に各ブリックをどのように調整して一連の分析機能を実行できるかを考える必要があります。そして当然必要になるのは、「これは一度分析したことがあるけど、自動化できないだろうか?」ということです。それが全体への自然な拡張になります。そのため、3 つの密の問題に加えて、観察データをどのように観察、分析、自動化できるかというお客様の疑問も寄せられてきました。

ディネシュ チャンドラセカール (20:57):

とてもクールです。とてもクールです。そして、回答の一部として、魔法の言葉 LLM、つまり大規模言語モデルについても言及しました。つまり、最近では GenAI LLM について話さずに会話をすることはできません。 LLM の可観測性については間違いなく質問できるので、言及していただいてうれしいです。どこにでも LLM が急増しており、人々が LLM のパフォーマンスなどを理解するのに苦労していることを考えると、これは突然出現した領域のように見えます。それについて教えてください。 Kloufuse はその面でも何かを構築しているようですね。それでは、それについて詳しく教えてください。

クリシュナ ヤダッパナヴァル (21:32):

つまり、はい。基本的に、LLM モデル全体がさまざまなユースケースに導入されているということですよね?これ以上の言葉が見つからないことについては。データの変化のダイナミズム、特に可観測性の世界では、データは非常に動的です。特定の操作を実行するための適切な LLM モデルを構築するのは常に困難です。そこで、私たちはこの問題を 2 つの方法で検討しました。 DevOps、SecOps、DataOps 担当者、LLMOps 担当者など、私が話したさまざまなペルソナすべてによって消費されている既存の可観測性データに加えて、特定の LLM モデルを活用するにはどうすればよいでしょうか。それはその一面です。そして、もう 1 つの側面があります。私は、LLM が非常に重要なコンポーネントであるアプリケーションを開発しています。データを生成し、LLM に供給されるアプリケーションの完全な可観測性をどのように確認すればよいですか。また、LLM モデルからそのデータを消費する多くのコンシューマが存在します。

そこで私たちは、LLM モデルを使用して開発されたすべてのアプリケーションの真の可観測性とは何かについて、エンドツーエンドで考える最初の企業であると言えます。なぜなら、ドリフトなどのモデルの可観測性に注目するだけで、多くの解決策を見つけてきたからです。しかし、私たちはエンドツーエンドで検討しています。これは非常に興味深い側面です。なぜなら、インフラストラクチャ アプリケーションの可観測性の多くは、モデルの可観測性やその他のものと連動しているからです。そして最後になりますが、CIO や CFO に LLM のコストを尋ねると、現在のソリューションと同様、コストも重要な側面となります。そのコストをどのように維持するか、あるいは LLM モデル自体のコスト指標に関する分析を提供するかは、その別の側面です。したがって、パフォーマンス、LLM アプリケーションの APM の不足、そしてコストなど、すべてを検討する必要があります。これらは、一般的な寸法です。

ディネシュ・チャンドラセカール

とてもクールでエキサイティングな空間で、今後数か月以内にその空間で何が起こるかを知るのがとても楽しみです。それでは、本当にありがとう、クリシュナ。とてもとても素晴らしい会話でした。私たちの番組にあなたが出演してくれて嬉しかったです。可観測性について話すのが大好きです。カーディナラリティ、コントロール、コストという 3 つの C を覚えておきます。これは可観測性を検討するための素晴らしい方法であり、素晴らしい信念だと思います。それでは、すべての洞察に感謝します。ここに来てくれてありがとう。ありがとうございます。

クリシュナ・ヤダッパナヴァル

ありがとう、ディネシュ。ウェブチャットにご参加いただきありがとうございます。