Lamendo Pulse · Why
Lamendo Pulse reads raw streams — logs of any format, sensor readings, event sequences — and learns from them how a system normally behaves. When the present deviates from that, it warns. No parser, no rules, no training, no GPU.
Threshold monitoring only finds what someone formulated as a rule beforehand. Pulse learns each source's normal from its own history — including failure patterns no one has ever seen.
No schema, no grok pattern, no connector: the character stream is enough. The same pipeline processes supercomputer logs, shop logs, BGP JSON and temperature sensors — provably, unchanged.
No labels, no model training, no detector that ages on its own. The same data yields exactly the same result — reproducible and auditable down to every number.
Every alarm names its signs ("a state is piling up", "the normal state is disappearing" …), its state with example lines — and one click opens the actual log lines behind it.
n sources — logs and sensors mixed — on one timeline. Pulse shows how many sources deviate at the same time and who leads whom: propagation paths instead of an alarm storm.
CPU, a few hundred MB of RAM, data stays in-house. The live demo diagnoses 10 global BGP collectors every 20 minutes on a single VM — alongside other services.
| Rules & thresholds | ML / deep learning | LLM analysis | Lamendo Pulse | |
|---|---|---|---|---|
| Unknown failure patterns | no | after training | unreliable | yes |
| Setup per new source | write rules | data + training | prompting | none |
| Reproducible | yes | rarely | no | yes, deterministic |
| Explainability | high | low | plausible, unverified | down to the raw line |
| Multiple sources + time offset | manual | specialized models | no | built in |
| Running costs | low | GPU / retraining | token costs | CPU, on-prem |
| Data sovereignty | on-prem | depends on stack | mostly cloud | on-prem |
Pulse says "here, now, unusual" — not "why". The semantic cause (which service, which config) is supplied by the drill-down view to the human or a domain tool; Pulse is the triage layer above it.
Early warning is comparing, not prophesying. Pulse detects that the present is ceasing to be normal — often minutes to hours before the break. It does not predict a future that shows no signs.
It needs history. In the first operating hours of a new source the expectation model is still thin; the demo shows this settling phase without gloss.
All figures come from reproducible runs (flow_v1, deterministic, seed 1234) over public datasets or our own RIS Live recording.
Lamendo Pulse · Warum
Lamendo Pulse liest rohe Ströme — Logs jedes Formats, Sensorwerte, Ereignisfolgen — und lernt daraus, wie sich ein System normalerweise verhält. Weicht die Gegenwart davon ab, warnt es. Ohne Parser, ohne Regeln, ohne Training, ohne GPU.
Schwellwert-Monitoring findet nur, was jemand vorher als Regel formuliert hat. Pulse lernt das Normal jeder Quelle aus ihrer eigenen Historie — auch für Fehlerbilder, die noch niemand gesehen hat.
Kein Schema, kein Grok-Pattern, kein Konnektor: Der Zeichenstrom genügt. Dieselbe Pipeline verarbeitet Supercomputer-Logs, Shop-Logs, BGP-JSON und Temperatursensoren — nachweislich, unverändert.
Keine Labels, kein Modelltraining, kein Detektor, der selbst altert. Gleiche Daten ergeben exakt dasselbe Ergebnis — reproduzierbar und auditierbar bis in jede Zahl.
Jeder Alarm nennt seine Anzeichen („Zustand häuft sich", „Normalzustand verschwindet" …), seinen Zustand mit Beispielzeilen — und ein Klick öffnet die echten Logzeilen dahinter.
n Quellen — Logs und Sensoren gemischt — auf einer Zeitachse. Pulse zeigt, wie viele Quellen gleichzeitig abweichen und wer wem vorausläuft: Ausbreitungspfade statt Alarmgewitter.
CPU, wenige hundert MB RAM, Daten bleiben im Haus. Die Live-Demo diagnostiziert 10 globale BGP-Kollektoren alle 20 Minuten auf einer einzelnen VM — neben anderen Diensten.
| Regeln & Schwellwerte | ML / Deep Learning | LLM-Analyse | Lamendo Pulse | |
|---|---|---|---|---|
| Unbekannte Fehlerbilder | nein | nach Training | unzuverlässig | ja |
| Setup je neuer Quelle | Regeln schreiben | Daten + Training | Prompting | keins |
| Reproduzierbar | ja | selten | nein | ja, deterministisch |
| Erklärbarkeit | hoch | niedrig | plausibel, ungeprüft | bis zur Rohzeile |
| Mehrere Quellen + Zeitversatz | manuell | Spezialmodelle | nein | eingebaut |
| Laufende Kosten | gering | GPU / Retraining | Token-Kosten | CPU, on-prem |
| Datenhoheit | on-prem | je nach Stack | meist Cloud | on-prem |
Pulse sagt „hier, jetzt, ungewöhnlich" — nicht „warum". Die semantische Ursache (welcher Dienst, welche Config) liefert die Drill-down-Ansicht dem Menschen oder einem Fachwerkzeug; Pulse ist die Triage-Schicht darüber.
Frühwarnung ist Vergleichen, nicht Prophezeien. Pulse erkennt, dass die Gegenwart aufhört, normal zu sein — oft Minuten bis Stunden vor dem Bruch. Es sagt keine Zukunft ohne Anzeichen voraus.
Es braucht Historie. In den ersten Betriebsstunden einer neuen Quelle ist das Erwartungsmodell noch dünn; die Demo zeigt diese Einschwingphase ungeschönt.
Alle Zahlen stammen aus reproduzierbaren Läufen (flow_v1, deterministisch, Seed 1234) über öffentliche Datensätze bzw. die eigene RIS-Live-Aufzeichnung.