Начиная с конца 2018 года, чтобы сейчас новые приложения и платформы интегрируют инструменты, ориентированные на AI. Когда вы узнаете о новых инструментах в SRE и DevOps Realm, вы можете услышать много:
- Предсказуемые результаты
- Система улучшена функциональность
- Автоматизированные резолюции в мониторинге инструментов
- Автоматическое тестирование кода
В некотором смысле, многое из этого является AI и ML. Продавцы хотят найти способ предпринять разработку программного обеспечения и автоматизации на следующий уровень, и многие считают, что AI — путь.
В этом сообщении в блоге вы узнаете о том, что AI и ML используются для DEVOPS и пару районов, чтобы держать закрытый глаз.
Что такое AI/ML используется для
Прежде чем понять, почему AI и ML важны для DEVOPS, вы должны сначала понять, что они есть.
Искусственный интеллект (AI) — это кусок Tech, который позволяет машине имитировать поведение человека. Многие умы людей идут прямо к роботам и Skynet, но это немного более глубокое, чем это. Идея AI состоит в том, чтобы имитировать, что может сделать человека, который охватывает много районов. Что-нибудь от самостоятельных вагонов для автоматического сканирования сумки в аэропорту. Это способность к компьютерной программе подумать и учиться, как наше мозги.
Машинное обучение (ML) — это подмножество Ai (думаю, родительские/детские отношения). Это позволяет одной машине или множеству машин учиться на прошлом опыта (данные). Затем ML может взять прошлый опыт (данные) и выполнять действие без того, чтобы кто-то говорил ему, что делать (без того, чтобы не написать программу для выполнения действия). Машины могут научиться делать «вещь», без которого не нужно написать программу, чтобы сделать «вещь».
Что может использоваться AI/ML для в DevOps
Теперь, когда вы знаете, что AI и ML, давайте подумаем о нескольких примерах того, как это может помочь нам.
Представьте себе, что никогда не просыпаться в 2:00, снова за вопрос о вызове (у меня сейчас ваше внимание?). Вместо этого платформа мониторинга (управляемый AI двигатель) может подключаться к системе (Docker, Kubernetes, Serverless, виртуальную машину .. Куда бы ваш код работает) и автоматически исправить проблему для вас. Затем система может учиться на платформе мониторинга (теперь система используется ML), поэтому она может автоматически исправить проблему в следующий раз, не запуская оповещения.
Инженеры теперь могут сосредоточиться на больших картинах (архитектуре, планирование, здание) вместо того, чтобы беспокоиться о системе или сбоем программного обеспечения.
Как насчет другого примера?
Установка тестов — давайте честным, никто из нас, таких как писать тесты. Никто не просыпается утром и говорит: «О, мальчик, я сегодня пишут тесты». Тем не менее, это то, что мы знаем, нам нужно сделать. Это еще более важно, чем фактический сам код приложения (разработка, ориентированная на пробел для победы). Представьте, что если вместо того, чтобы написать тест самостоятельно, AI может справиться с этим для вас? Было бы удивительно, если платформа может смотреть на функции и логику в коде и автоматически создавать тесты на уровне производства. Затем вы можете взять эти тесты и поместить их в свои построить трубопроводы, чтобы убедиться, что код выполняется, как ожидалось, прежде чем он даже построен.
Существует несколько разных способов, которыми AI-приводящая автоматизация может помочь конветам CICD, оркестроистых контейнерах и многое другое.
Инструменты DevOps AI
В этом разделе я перечислю несколько платформ и инструментов, чтобы одержать глаз в пространстве AI/ML для DEVOPS, разработки программного обеспечения и SRE.
- Github Co-Pilot — COPILOT — это способ получить предложения для кода, который вы пишете или даже завершите полную функцию для вас. Это AI для написания программного обеспечения. База кода обучается, чтобы понять и ожидать, что вы хотите написать.
- Test.ai — Вместо того, чтобы использовать тестируемый кадр, такой как Selenium, например, вы можете использовать Test.ai для автоматического сканирования и проверки вашего кода.
- Новые реликвии прикладной интеллект — Позволяет настроить систему, которая находит проблемы (надеюсь), прежде чем делать. Идея состоит в том, чтобы предотвратить возникновение возможных проблем.
- DataDogs ML На основе мониторинга на основе — предоставляет вам обнаружение аномалий, поэтому вам не нужно проводить часы, находя корневую причину проблемы.
Прогнозы для AI в разработке программного обеспечения
Вот вопрос, который я уверен, на ум каждого.
Будет ли AI и ML взять на себя надежную надежность сайта, DEVOPS и разработки программного обеспечения? Ответ, когда дело доходит до мониторинга и тестирования, да. С 2019 года почти все популярные инструменты мониторинга и оповещения реализовали какой-то аИ. Обычно он приходит в виде предсказуемых результатов для окружающей среды или автоматизации того, что вы можете сделать с данными.
Большинство приложений в современном мире для многих организаций находятся в постоянном потоке. Новые функции добавлены в приложение и развернутые один, два или даже десять раз в день. Гибридные облака и многоулавные модели, которые означает, что данные постоянно движутся. Это означает, что есть много инженерного времени, связанного с каждой средой. Без предсказуемых результатов и мониторинга, ориентированного на AI, должны быть инженеры, сидящие там, всасывающиеся на экране, ожидая следующего вызовов, чтобы произойти, чтобы они могли автоматизировать его. Мы находимся в критической точке в DevOps и пространстве разработки сегодня, потому что все так быстро движется. Из-за этого нам нужна автоматизация для нашей автоматизации.
Машинное обучение позволит инженерам покрывать больше земли.
Когда речь идет о программном обеспечении и тестировании приложений, это не мозги, что AI должен быть вовлечен. В конце дня работы инженеров программного обеспечения не для записи кода в течение 10 часов в день. Это для архитектора, сборки и создания приложений. Как правило, только четверть дня на самом деле входит в письменный код. С AI-ориентированным программным обеспечением и тестированием кода разработчики могут потратить меньше времени О, я пропустил полутолон на линии 250 и сказать больше Система обрабатывает исправления ошибок, поэтому я могу обрабатывать архитектуру.
AI не займет работу, это просто изменится, как мы их делаем.
Оригинал: «https://dev.to/thenjdevopsguy/ai-and-ml-the-future-of-devops-3bck»