Εκτίμηση των πλεονεκτημάτων DevOps της γενετικής τεχνητής νοημοσύνης

Η γενετική τεχνητή νοημοσύνη (AI) θα οδηγήσει στην ανάπτυξη πολύ περισσότερου κώδικα με ολοένα και ταχύτερους ρυθμούς. Η

πρόκληση

τώρα είναι να διαχειριστούμε τον επιταχυνόμενο ρυθμό ανάπτυξης όταν πολλοί οργανισμοί ήδη δυσκολεύονται να διαχειριστούν τις υπάρχουσες ροές εργασίας DevOps σε κλίμακα.

Εξίσου δύσκολο, δεν θα είναι απαραίτητα όλος ο κώδικας που δημιουργείται βραχυπρόθεσμα από προγραμματιστές που χρησιμοποιούν AI. Πλατφόρμες που βασίζονται σε μοντέλα μεγάλων γλωσσών γενικής χρήσης (LLM), όπως το ChatGPT, έχουν εκπαιδευτεί χρησιμοποιώντας κώδικα που συλλέγεται από ολόκληρο τον ιστό. Μεγάλο μέρος αυτού του κώδικα περιέχει τρωτά σημεία και άλλα ελαττώματα που βρίσκουν το δρόμο τους στον κώδικα που δημιουργείται από AI – και οι προγραμματιστές δεν έχουν πάντα την τεχνογνωσία να εντοπίσουν και να διορθώσουν αυτά τα λάθη.

Αναμφισβήτητα, το πιο σημαντικό και άμεσο καθήκον για κάθε ομάδα DevOps είναι να εντοπίσει αυτά τα ζητήματα πριν χρησιμοποιηθεί οποιοσδήποτε κώδικας σε περιβάλλον παραγωγής. Καθώς περισσότερος κώδικας από ποτέ αρχίζει να περνά μέσα από αγωγούς, η επίτευξη αυτού του στόχου θα απαιτήσει από τις ομάδες DevOps να χρησιμοποιήσουν σύγχρονα εργαλεία και πλατφόρμες DevOps – οι ίδιες πιθανότατα εμποτισμένες με τεχνολογίες AI – για να αντιμετωπίσουν αυτήν την πρόκληση.

Έξι τομείς τεχνητής νοημοσύνης για DevOps

Υπάρχουν έξι τομείς όπου η τεχνητή νοημοσύνη θα διευκολύνει τις ομάδες DevOps να αντιμετωπίσουν την επίθεση κώδικα που ήδη αρχίζει να κινείται μέσω των υπαρχόντων αγωγών. Περιλαμβάνουν:

Διαχείριση κώδικα εφαρμογής:


Το

Generative AI, εκτός από τη σύνταξη κώδικα, θα χρησιμοποιηθεί επίσης για την επισήμανση των σημείων συμφόρησης και των περιορισμών που παρουσιάζουν ευκαιρίες μείωσης του συνολικού μόχθου. Θα μπορεί να ορίζει τι παράγεται, την ταχύτητα, τους τύπους ελαττωμάτων που αντιμετωπίζονται, να αξιολογεί το συνολικό επίπεδο ασφάλειας και να προσδιορίζει τον αντίκτυπο που μπορεί να έχουν τα αιτήματα συγχώνευσης σε μια κατασκευή.

Διαχείριση έκδοσης:

Το Generative AI θα επιτρέψει στις πλατφόρμες DevOps να εμφανίσουν πιο ακριβείς προβλέψεις κυκλοφορίας που προσδιορίζουν, για παράδειγμα, την πιθανότητα να περάσει ή να αποτύχει μια έκδοση. Οι μετρήσεις του ποσοστού αποτυχίας αλλαγών θα βελτιωθούν σημαντικά τα επόμενα δύο χρόνια, καθώς η γενετική τεχνητή νοημοσύνη διευκολύνει την κατανόηση των εξαρτήσεων και της συνολικής πολυπλοκότητας, παρακολουθώντας μοτίβα που θα κάνουν τη διαχείριση των κυκλοφοριών πιο προβλέψιμη. Επιπλέον, ο συνολικός αντίκτυπος στην επιχείρηση θα γίνει πιο εμφανής καθώς η τεχνητή νοημοσύνη εμφυσείται στα εργαλεία ανάλυσης

ροής

αξίας.

Δοκιμή:

Το Generative AI θα κάνει τις δοκιμές πολύ πιο αποτελεσματικές. Οι ομάδες DevOps θα μπορούν να κατανοούν καλύτερα όχι μόνο τι να δοκιμάσουν, αλλά και να μειώσουν τον χρόνο κύκλου και τα έξοδα επεξεργασίας, όπως το κόστος IaaS/cloud, ορίζοντας ποιο υποσύνολο των δοκιμών θα εκτελεστούν. Το Generative AI θα είναι επίσης σε θέση να παρέχει πολύ αποτελεσματικά τη βάση δοκιμών μονάδας για περιοχές της βάσης κωδικών που επί του παρόντος δεν καλύπτονται σωστά. Οι συλλογικές αξιολογήσεις κώδικα θα εξορθολογιστούν καθώς η γενετική τεχνητή νοημοσύνη γίνεται ένας από τους ενεργούς «ομότιμους» στη διαδικασία ελέγχου.

Κυβερνασφάλεια:

Το Generative AI θα επιτρέψει τελικά στους προγραμματιστές να εντοπίζουν ζητήματα ασφαλείας καθώς γράφουν κώδικα και να επιτρέψει σε αυτόν τον κώδικα να δοκιμαστεί πιο διεξοδικά. Επίσης, το είδος της ανάλυσης που προσφέρουν τα LLM στον πηγαίο κώδικα μπορεί να συμβεί σε υψηλότερο επίπεδο, παρέχοντας ανάλυση για πιο σύνθετα σενάρια αντί, για παράδειγμα, για γνωστά συντακτικά ζητήματα που σήμερα είναι ασήμαντο να εντοπιστούν. Οι ομάδες DevSecOps θα επωφεληθούν επίσης από μια βελτιωμένη ικανότητα μοντελοποίησης δεδομένων απειλών για τη δημιουργία ταξινομητών που δείχνουν πώς ένα ελάττωμα μπορεί να εκμεταλλευτεί, να αποκλειστεί, να απομονωθεί ή να αποκατασταθεί. Θα μπορούν επίσης να χρησιμοποιούν συνθετικά δεδομένα για να αντικατοπτρίζουν τα πραγματικά δεδομένα και να διασφαλίζουν καλύτερα την τήρηση των εντολών συμμόρφωσης.

Παρακολούθηση:

Η γενετική τεχνητή νοημοσύνη θα διευκολύνει τη μόχλευση μεταδεδομένων για τον εντοπισμό μοτίβων στον τεράστιο αριθμό αρχείων καταγραφής, μετρήσεων και ιχνών που συλλέγουν οι ομάδες DevOps. Αυτά τα μοτίβα μπορούν στη συνέχεια να ανατροφοδοτηθούν σε μια πλατφόρμα DevOps για να προγραμματίσουν και πιθανώς να αυτοματοποιήσουν την αποκατάσταση πριν συμβεί κάποιο περιστατικό που διαταράσσει τη διαθεσιμότητα της εφαρμογής.

Αξιοπιστία:

Ο μέσος χρόνος ανάκαμψης (MTTR) θα βελτιωθεί σημαντικά τα επόμενα ένα έως δύο χρόνια. Σήμερα, η διασφάλιση της αξιοπιστίας αποτελεί πρόκληση απλώς και μόνο επειδή απαιτούνται τόσα πολλά εργαλεία για τη διαχείριση μιας ροής εργασίας DevOps. Το Generative AI θα διευκολύνει τη συγκέντρωση των δεδομένων που δημιουργούνται από αυτά τα εργαλεία με τρόπο που θα βελτιώσει σημαντικά τον γρήγορο εντοπισμό προβλημάτων -ακόμα και τον προληπτικό εντοπισμό ανωμαλιών- και θα επηρεάσει θετικά τον χρόνο λειτουργίας της εφαρμογής.

Αυτά τα σημεία επαναλήφθηκαν επίσης κατά τη διάρκεια πολλών πρόσφατων συνεδριών DevOps World

2023

.

Οφέλη και κίνδυνοι

Με την τεχνητή νοημοσύνη, το κόστος ανάπτυξης λογισμικού θα μειωθεί δραστικά. Ωστόσο, εξακολουθούν να υπάρχουν αρκετά ζητήματα που απαιτούν περισσότερη δουλειά. Περιλαμβάνουν:

• Βελτιστοποίηση των LLM για περαιτέρω μείωση των παραισθήσεων.
• Διατήρηση της ευθυγράμμισης σχετικά με τη σημασία των λέξεων, καθώς τα μοντέλα τεχνητής νοημοσύνης εκτίθενται σε περισσότερες προτροπές και δεδομένα.
• Εντοπισμός προκαταλήψεων που υπάρχουν στα δεδομένα εκπαίδευσης του μοντέλου AI που καταλήγουν σε υποβέλτιστες συστάσεις.
• Διασφάλιση ότι τα δεδομένα που χρησιμοποιούνται δεν έχουν δηλητηριαστεί σκόπιμα για να δημιουργηθεί μια σκόπιμη ψευδαίσθηση που μπορεί να είναι δύσκολο να ανιχνευθεί και να είναι δύσκολο για ένα μοντέλο AI να ξεμάθει.

Είναι σαφές ότι η τεχνητή νοημοσύνη έχει απίστευτες δυνατότητες να κάνει την ανάπτυξη λογισμικού ταχύτερη και ευκολότερη και να διασφαλίσει ότι το προϊόν λογισμικού που προκύπτει είναι υψηλότερης ποιότητας. Αλλά δεν είμαστε ακόμα εκεί. Η βιομηχανία τεχνητής νοημοσύνης και ανάπτυξης λογισμικού πρέπει να ενισχύσει την πλήρη εμπιστοσύνη στις συστάσεις που δημιουργούνται από εργαλεία και πλατφόρμες ανάπτυξης λογισμικού που εμποτίζονται με γενετική τεχνητή νοημοσύνη. Δεν υπάρχει απλώς υποκατάστατο για το LLMS που έχει εκπαιδευτεί χρησιμοποιώντας συγκεκριμένα δεδομένα που έχουν εξεταστεί οι εμπειρογνώμονες DevOps.

Περίληψη

Είναι σαφές γενετικό AI σύντομα θα μετατρέψει τις ροές εργασίας DevOps για το καλύτερο με τρόπους που έχουμε αρχίσει να εκτιμούμε μόνο. Το AI Genie είναι έξω από το παροιμιώδες μπουκάλι, και δεν υπάρχει επιστροφή. Το DevOps ήταν πάντα για τη δέσμευση να αυτοματοποιούν αδίστακτα τις χειροκίνητες διαδικασίες όποτε είναι δυνατόν. Η γενετική AI παίρνει απλά αυτοματοποίηση σε άλλο επίπεδο.

Αυτό είναι ένα δύσκολο εγχείρημα, αλλά είναι επίσης μια ευκαιρία για την παραγωγική τεχνητή νοημοσύνη να χρησιμοποιηθεί με ασφάλεια και βιώσιμη ανάπτυξη σε συνδυασμό με άλλες προόδους στην επιστήμη των δεδομένων και στους αλγόριθμους μηχανικής μάθησης.

Παρουσιάσαμε τα καλύτερα εργαλεία ανάπτυξης ιστού.

Αυτό το άρθρο δημιουργήθηκε ως μέρος του καναλιού Expert Insights της TechRadarPro, όπου παρουσιάζουμε τα καλύτερα και πιο έξυπνα μυαλά στον κλάδο της τεχνολογίας σήμερα. Οι απόψεις που εκφράζονται εδώ είναι αυτές του συγγραφέα και δεν είναι απαραιτήτως αυτές του TechRadarpro ή του Future PLC. Εάν ενδιαφέρεστε να συνεισφέρετε, μάθετε περισσότερα εδώ:


https://www.techradar.com/news/submit-your-story-to-techradar-pro