DevOps és a mesterséges intelligencia (MI)
A manapság már eléggé kiforrott és lassan megkerülhetetlenné váló két terület céljaikat tekintve függetlenek egymástól – hiszen a DevOps üzleti alapú megközelítés a szoftver szállításához, az MI pedig az a módszertan és technológia, amelyet a rendszerbe lehet integrálni a fokozott funkcionalitás érdekében –, mégis összekapcsolhatóak. Az MI segítségével a DevOps csapatok hatékonyabban kódolhatják, tesztelhetik, telepíthetik és monitorozhatják rendszereiket. Az MI egyúttal javíthatja az automatizálást, gyorsan azonosíthatja és megoldhatja a problémákat, és segít a csapatok közötti együttműködésben is.
A DevOps az elmúlt évek technológiai fejlődéseként (és váltásaként) elsősorban a gyakran és gyorsan változó összetett rendszerek (például a felhőrendszerek és -szolgáltatások) hatékonyabb és átláthatóbb működtetéséhez (és az ehhez szükséges IT üzemeltetői, fejlesztői és szolgáltatás menedzsment, projektcsapatok összehangolásához) biztosít módszertani megoldásokat. A DevOps viszont nem egy szabvány vagy keretrendszer, hanem inkább több különböző építőelem – ITIL, Lean, Agile – egy egységgé történő tudatos és megfelelő összeépítése. Támogatja az automatizálást és a folyamatos szállítást, valamint ösztönzi az együttműködési és tanulási kultúrát az IT jobb üzleti értéken történő előmozdításához.
Az MI nagyon egyszerűen fogalmazva olyan intellektuális feladatok automatizálására tett erőfeszítéseket jelent, melyeket általában az emberek végeznek. (Tehát technológiailag túlmutatva a rutinszámításokon, mély elemzési szinteket alkalmazva.) A mesterséges intelligencia (és megközelítési területei, a Machine Learning és Deep Learning) számos üzleti elem esetében alkalmazható, hiszen olyan problémákat, kapcsolatokat jelezhet, amelyeket nem lehet manuálisan kezelni, főként a feldolgozandó adatok hatalmas mennyisége miatt.
Ezeket szem előtt tartva az MI döntő szerepet játszhat a DevOps jellegű működés hatékonyságának növelésében is. Fokozhatja a teljesítményt, gyorsabbá teheti a fejlesztési/bevezetési/üzemeltetési ciklusokat, és ezáltal a szolgáltatások vonzóbb felhasználói élményt is nyújthatnak. Az MI rendszerek feldolgozhatják a DevOps működés metrikáit az integrált architektúra méréseivel együtt, és ezek összekapcsolásával kideríthetőek a hatékonyságot csökkentő tényezők.
Egyszerűen képtelenség mindent felsorolni, amiben az MI a DevOps segítségére lehet, de pár kiemelt területet azért meg lehet említeni.
Széleskörű, silókon átívelő adatfeldolgozás
A DevOps team-ek sokszor szenvednek információhiányban. Nem elég és/vagy nem elég pontos adat áll rendelkezésükre, ami egyértelműen hátráltathatja a fejlesztési tevékenységet. Az MI összegyűjtheti a több forrásból származó (akár nem is egységes) adatokat, majd transzformálás és feldolgozás után következetes elemzéseket végezhet.
Automatizálás
A legkézenfekvőbb terület, igazi „quick win”, melyen keresztül látványos eredmények érhetőek el rövid idő alatt. A teljes fejlesztési/bevezetési, majd üzemeltetési ciklus végrehajtása alatt sok tevékenység rutinszerű. Egy MI modell automatizálhatja ezeket a repetatív feladatokat, jelentősen felgyorsítva a folyamatot. Ráadásul így minimalizálható az emberi beavatkozás szükségessége, így a DevOps team-ek összpontosíthatnak összetettebb, interaktívabb problémákra, ezáltal az emberi erőforrások felhasználása sokkal magasabb szintre emelhető.
Tesztelés
Az alapos és körültekintő tesztek – unit, funkcionális, regressziós, security, használhatósági, disaster recovery, stb. – eredményeképpen nagy mennyiségű adat generálható. Az MI segítségével ezen adathalmazból minták nyerhetőek ki, melyek azonosíthatják például a nem hatékony kódolási gyakorlatokat, vagy akár a megbízhatatlan tesztrendszereket vagy tesztadatokat.
Root cause analízis
Az ok-okozati összefüggések vizsgálata sokszor nem hatol elég mélyre, az elemzés csak felületes, ezért az okozat elhárítása (incidens management) után idő és erőforrás hiányában az valódi ok felderítetlen marad. Az MI – hasonlóan, mint a tesztelésnél – a rendelkezésre álló adathalmazból elemzéseket készíthet, ami létfontosságú segítség lehet.
Információbiztonság
A DevOps működése során hiába fontos szempont a gyorsaság, ugyanolyan kiemelt fontossággal bír az adatok, szolgáltatások védelme. A külön terminológiával elnevezett területen – DevSecOps – szintén alkalmazható az MI. A biztonsági rendszerek folyamatosan naplózzák a különböző fenyegetéseket, sértéseket, incidenseket, melyeken alapulva egy MI modell rendellenességeket jelezhet, vagy éppen a proaktív előrejelzésének köszönhetően DDoS vagy hacker támadások is elkerülhetőek.
Predikció
A DevOps ciklusok végrehajtása során gyakorlatilag bármi okozhat késlekedést. Legyen az egy eszköz, egy szolgáltatáselem, egy terület vagy éppen egy beszállítós késlekedés. Amennyiben elegendő adat áll rendelkezésre, az MI modellek előre jelezhetik, hogy mikor fordulhat elő ez a jelenség újra. Ez nem egyszerű jóslás, az MI mintafelismerési képessége túlmutat azon, amire az emberek képesek.
Visszacsatolás
A DevOps egyik kiemelt eleme a folyamatos visszacsatolás. Adatgyűjtés folyik minden ciklus minden lépésében, melynek forrása lehet naplófile, teljesítményadat, folyamati mérőszám, rendszertelepítési idő – gyakorlatilag bármi. Ezeken az adatokon MI modelleket alkalmazva elősegíthető a problémák előzetes azonosítása, melyek elkerülése alkalmazásmódosítási javaslatként ugyanúgy visszaépül a fejlesztési ciklusokba.
Hatékony együttműködés
A fentiekben felsorolt területeken az MI használata – amellett hogy hatékonnyá teszi a DevOps ciklusokat – elősegíti azt, ami a legfontosabb az egész történetben: a fejlesztői és üzemeltetői csapatok szorosabb együttműködését. Az MI ugyanis segít a rendszerek egységes kezelésében, a komplexitás megértésében és kiváltképp a tudás megosztásában.
Kapcsolódó tanfolyamok
- PeopleCert DevOps Funadmentals
- PeopleCert DevOps Leadership
- Designing and Implementing an Azure AI Solution