نقش هوش مصنوعی در Devops مدرن
بیش از هر زمان دیگری ، تیم های DevOps مشکلات پیچیده تری را حل می کنند. مدیریت زیرساخت های ابری به روشهایی در حال رشد است که شامل نگهداری خطوط لوله CI/CD و اطمینان از امنیت در چند محیط است. اینجاست که هوش مصنوعی وارد می شود.
ابزارهای AI دیگر فقط افزودنی های فانتزی نیستند بلکه به سرعت به بخشی جدایی ناپذیر از شیوه های مدرن DevOps تبدیل می شوند. آنها به تیم ها کمک می کنند تا وظایف تکراری را به صورت خودکار انجام دهند ، قبل از اینکه مشکل شوند ، مسائل را تشخیص دهند و بر اساس داده ها تصمیمات بهتری بگیرند.
مقدمه
من به عنوان یک مهندس DevOps که طی سالها این خط کار را بسیار سریع دیده است ، می توانم در مورد یک چیز مطمئن باشم: هوش مصنوعی یک کلمه کلیدی نیست ، اما در اسلحه روزانه بسیار مهمتر است.
در سال 2024 بسیاری از تجهیزات هوش مصنوعی را امتحان کردم ، که بیشتر آنها بلافاصله زباله کشیدم ، و لیست را فقط به Creme de Le Creme Top 5 پیشنهاد دادیم که واقعاً شیوه انجام شرکتهای ما را تغییر داده است.
1. Cicube – AI -Powered CI/CD Analytics
من به عنوان یکی از بنیانگذاران CICUBE ، به من این افتخار را داده ام که روی یک صندلی ردیف اول بنشینم تا دست اول را تجربه کنم که چگونه AI آنچه را که گردش کار CI/CD به نظر می رسد و احساس می کند ، تغییر می دهد. این ابزار پس از مبارزات شخصی ما در مورد اشکال زدایی از موضوعات CICD جمع شده است – احتمالاً چیزی بهتر که باید از آن فکر کنیم.
هنگامی که ساخت و ساز شکسته می شود ، هوش مصنوعی Cicube فوراً به شما و تیم خود اطلاع می دهد که دقیقاً چه چیزی شکست خورده است و چگونه می توانید آن را برطرف کنید. دیگر در سیاههها حفر نمی شود ، حدس نمی زنید. نماینده هوش مصنوعی این نتیجه گیری ها را مستقیماً از طریق Slack یا ایمیل ارسال می کند تا تیم ها قبل از تأثیرگذاری بر اعضای خود ، مشکلات را به خوبی اصلاح کنند.
مفیدترین قابلیت های تیم ها با CICUBE:
- تشخیص ASYNC قبل از اینکه شانس تأثیرگذاری بر بهره وری داشته باشند از آزمایشات پوسته پوسته
- تشخیص ناهنجاری سنبله های ساختاری غیرمعمول
- تجزیه تست هایی که دائماً شکست می خورند
- ردیابی تنگنا خط لوله
آنچه باعث می شود سیکوب از آن استفاده کند این است که فراهم می کند نظارت بر معیارهای دورا با محوریت CIبشر به جای انجام کارها به صورت دستی ، به طور خودکار مشاهده و نظارت می کند:
- میزان موفقیت: این به شما می گوید چند بار خطوط لوله شما بدون شکست کامل می شوند. نرخ موفقیت بالا به معنای اختلال کمتری است.
- MTTR (میانگین زمان بهبودی): این به شما این بینش را می دهد که چقدر سریع می توانید یک خط لوله شکست خورده را برطرف کنید. هرچه این بار کوتاه تر باشد ، تیم شما بهتر است به جلو حرکت کند.
- مدت: این اساساً زمان سرب را برای تکمیل اندازه گیری می کند. تیم های نخبگان این کار را در کمترین زمان برای بازخورد سریعتر و تکرارهای بیشتر انجام می دهند.
- توان: این تعداد تکمیل خط لوله موفق در یک دوره زمانی معین است. هرچه توان بالاتر باشد ، بهتر می شود.
گزارش های هفتگی برای تیم مهندسی روال تر شده است. آنها روند واضحی از عملکرد خط لوله ، موارد اقدام به صورت خودکار را برای اعضای تیم ارائه می دهند ، که در غیر این صورت تا چند ساعت تجزیه و تحلیل دستی طول می کشد.
نتایج واقعی تیم هایی که ما دیده ایم از Cicube استفاده می کنیم شامل موارد زیر است:
- کاهش زمان اشکال زدایی از 30 دقیقه تا 5 دقیقه در هر شماره
- 40 ٪ کاهش در هزینه CI پس از شناسایی مراحل اضافی
- معیارهای دورا از “متوسط” به “نخبگان” در 3 ماه
اگر تیم شما بیش از 10 دقیقه برای اشکال زدایی در مورد مشکلات CI صرف می کند یا هیچ دیدگاهی در مورد معیارهای دورا ندارد ، پس باید سیکوب را امتحان کنید.
2. Copilot Github – برنامه نویس جفت AI شما
تیم من از همان ابتدا از GitHub Copilot استفاده می کند. در نوشتن کد زیرساخت واقعاً خوب است. هفته گذشته من را با برخی از پیکربندی های پیچیده Terraform نجات داد. این کار را در نیمی از زمانی که انجام می داد انجام داد.
من یکی از همکارانم را دارم که کاملاً طرفدار تجلی Kubernetes است. من او را تماشا کرده ام که نشان می دهد چگونه می تواند تنظیمات استقرار کامل را فقط با توصیف آنچه مورد نیاز شما ایجاد می کند ، ایجاد کند. حداقل در هنگام کار با الگوهای استاندارد در پایگاه کد شما بسیار دقیق است.
چیزهایی که بیشتر مرا تحت تأثیر قرار داد:
- این کد BoilerPlate را بسیار سریعتر از آنچه می توانم تایپ کنم تولید می کند
- رسیدگی به خطای مربوطه را نشان می دهد که ممکن است از دست داده باشم
- در تنظیمات K8S به آن تورفتگی های YAML آزار دهنده کمک می کند
- در واقع زمینه کد شما را درک می کند
3. Watchdog DataDog: نظارت بر AI
من چیزی جز خوب از افراد دیگر در شرکت های دیگر در مورد Watchdog DataDog نشنیده ام. یکی از همکاران سابق من اکنون از آن در یک شرکت تجارت الکترونیکی بسیار بزرگ استفاده می کند و او اطلاعات جالبی را با من به اشتراک گذاشت.
در تشخیص ناهنجاری واقعاً قوی است. به جای اینکه بخواهیم آستانه ها را با دست پیکربندی کنیم-که همه ما از آن متنفریم-می آموزیم که برای سیستم شما طبیعی است و در مورد مسائل واقعی هشدار می دهد. همکار من گفت که این یک نشت حافظه را گرفت که نظارت سنتی آنها برای هفته ها به دست نیاورد.
مزایای کلیدی آنها متوجه شدند:
قبل از اینکه کاربران آنها را گزارش دهند ، مشکلات خوبی دارند. خستگی هشدار را تا حد زیادی کاهش می دهد
4.Snyk – امنیت پیشرفته
اگرچه من هنوز از SNYK استفاده نکرده ام ، اما این ابزار برای نیم سال گذشته در تیم امنیتی ما استفاده شده است. اظهارات دریافت شده کاملاً روشن است.
رهبر امنیت می گوید که این امر باعث تغییر در نحوه انجام مدیریت آسیب پذیری می شود. آنها هیچ وقت را صرف غرق شدن در هشدارهای امنیتی نکردند اما به جای آن نتایج عملی دریافت کردند. هوش مصنوعی به او اجازه می دهد تا آنچه را که برای پایگاه کد خاص ما بسیار مهم است ، در اولویت قرار دهد.
آنچه آنها با ارزش پیدا کرده اند:
-
آسیب پذیری های امنیتی را در اوایل خط لوله به دست می آورد
-
توصیه های رفع روشنی را ارائه می دهد
-
به راحتی با گردش کار موجود ادغام می شود.
-
به پاسخگویی به الزامات انطباق کمک می کند
5. قشر – مدیریت زیرساخت AI
دوستی که در یک استارتاپ fintech مشغول به کار بود ، من را به Cortex ارجاع داد. آنها این کار را برای معماری میکروسرویس خود انجام می دهند و نتایج آن جادویی است.
جایی که واقعاً می درخشد در محیط های پیچیده ای با خدمات زیادی قرار دارد. این ابزار به طور خودکار وابستگی ها را ترسیم می کند و به تیم ها اجازه می دهد تا تصویر بهتری از زیرساخت های خود داشته باشند. دوست من به من نشان داد كه چگونه آن را در معرض دید قرار داده و به آنها این امکان را داده است كه چندین مسئله قابلیت اطمینان خود را برطرف كنند ، كه آنها حتی نمی دانستند وجود دارد.
مزایای واقعی آنها متوجه شده اند:
- درک پیشرفته از وابستگی ها بین خدمات
- وضوح سریعتر مشکل
- استفاده بهتر از منابع
- مستندات خودکار که در واقع مفید است
پایان
در دنیایی که اعتماد به نفس همیشه به بهره وری و ماندن از رقابت وجود دارد ، ادغام هوش مصنوعی در DevOps دیگر اختیاری نیست ، بلکه یک ضرورت فزاینده است.
بگذارید به شما یادآوری کنم ، این در مورد از بین بردن تخصص انسان نیست بلکه تقویت آن است. در حقیقت ، این ابزارهای هوش مصنوعی می توانند به ما اجازه دهند تا روی کارهای استراتژیک تر تمرکز کنیم و بسیاری از فرآیندهای روتین را خودکار و ساده کنیم.
