srcmini本文概述
- 有用的DevOps模型需要机器和人类智能
- 现代基础设施需要AI驱动的方法
- 需要加强绩效反馈
- 需要促进沟通
- 需要跨平台和工具关联数据
- 需要管理警报
- 需要评估过去的表现
- 需要增强的软件测试
- 做出更好决策的需求增加
- 需要减少软件开发数字化排气中的噪音
- 需要提高Runbook自动化
- 更高的存储容量
DevOps处理任务的自动化。它强调自动化和监视软件交付过程的所有步骤, 以确保快速, 定期地执行所有任务。尽管它不忽略人类责任, 但它鼓励企业形成可重复的过程, 以最大程度地减少可变性并提高效率。在这种情况下, 机器学习和AI非常适合DevOps, 因为它们能够处理大量信息并帮助执行重要任务, 从而使IT部门可以将更多精力放在目标工作上。 AI可以学习模式, 提供解决方案并预测即将出现的问题。由于DevOps的目标是统一操作和开发, 因此机器学习和AI可以帮助缓解DevOps中存在的某些压力。在本文中, 我将重点介绍为什么我认为DevOps准备好用于AI / ML。
有用的DevOps模型需要机器和人类智能
DevOps旨在比传统开发更快地开发和交付基础架构。使手动处理的流程自动化可以帮助工程师进行编码和配置基础架构, 而无需其他团队的协助。这使工程师在交付服务时变得更加可靠和高效。机器学习和AI技术为开发人员应将精力集中在优化工作流程上提供了指导, 并提供了对需求和性能波动的一些见解。与问题检测结合使用时, AI和ML将使开发人员能够优化资源, 增强站点可靠性并提高部署速度。
现代基础设施需要AI驱动的方法
当前的DevOps团队倾向于像操作工厂工具的工厂工人那样工作。这些工具可能功能强大且精确, 但仍需手动操作。但是, 现在是时候了, 开发人员必须结束平凡的任务, 并担任主管的高级角色, 他们可以监督和培训机器人如何处理艰巨的任务。显而易见, 人工智能算法每年都变得更加智能, 并且它们使在云中工作的DevOps团队的工作变得更加轻松。 API驱动的服务帮助开发人员将机器学习整合到任何应用程序中, 而智能分析则为流程编排和数据工作流提供更精确的见解。很快, 人工智能将用于分析业务目标, 并为基础架构设计和策略提供建议。
需要加强绩效反馈
DevOps的主要原则是在流程的每个阶段都使用连续反馈循环。这需要使用监视工具来生成有关正在使用的应用程序的操作性能的反馈。这是当今机器学习对DevOps产生重大影响的领域。用于监视的平台以性能指标和日志文件的形式收集大量数据。先进的监控平台可以将机器学习应用于数据集, 以及早发现问题并提供建议。然后, 这些建议将转发给DevOps团队, 以便它可以确保应用程序服务仍然可行。我认为, 需要增强性能反馈, 因此DevOps可以用于AI / ML。
需要促进沟通
当公司采用DevOps方法时, 可能会遇到与沟通和反馈有关的问题。在这种情况下, 人机交互是必不可少的, 但是要有足够的信息流经系统, 要求各小组建立更广泛的渠道, 以便即时建立和审查工作流程。通过使用聊天机器人, 自动化技术和其他AI技术, 通信渠道可能更高效, 更实用。
需要跨平台和工具关联数据
为确保操作有效运行, DevOps团队应简化任务。但是, 更复杂的环境使任务更加困难。不同的组织倾向于使用多种工具以各种方式监视应用程序的运行状况和性能。通过机器学习应用程序, 数据流可以被吸收, 并找到相关性, 从而使一个小组可以更全面地了解应用程序的整体运行状况。
需要管理警报
DevOps通常鼓励人们”失败但很快失败”, 因为拥有一个能够快速发现缺陷的警报系统至关重要。这可能会产生以下情况：警报来得非常快而且很猛烈, 所有警报都具有相同的严重性级别, 从而使操作员响应变得复杂。在这种情况下, 机器学习应用程序可以帮助组织根据各种因素(例如警报的大小和特定警报的来源)确定响应的优先级。人们可以建立规则, 但是机器可以帮助管理紧急情况, 例如当大量数据淹没系统时。
需要评估过去的表现
机器学习和AI可以在应用程序开发过程中帮助开发人员。机器学习算法可以根据正在使用的代码或正在开发的应用程序主动向开发人员提供建议。在基于构建/编译成功检查过去的应用程序的成功率并测试完成和操作性能之后, 将完成此操作。在这种情况下, AI引擎可以帮助开发人员了解如何构建非常高效和高质量的应用程序。
需要增强的软件测试
机器学习和AI可以在软件开发的某些阶段使用, 以增强DevOps方法或方法。软件测试是可以从ML / AI参与软件开发中受益的领域。功能测试, 回归测试, 用户接受测试和单元测试会以测试结果的形式生成大量数据, 因此对它们应用ML或AI可能有助于识别不良编码实践的模式, 这可能导致许多错误被测试捕获的。然后, 开发团队可以使用这些信息进行修改, 以便提高效率。随着现代世界中许多技术的增强和需求, 越来越需要加强测试方法以达到创新的需求。在这种情况下, 性能测试, 用户体验和可靠性至关重要。不断提高的安全性和可访问性要求将要求测试人员应通过安全性和可访问性测试来保证满足需求。此外, 将需要进行更多增强的测试, 以确保Web和移动应用程序对其用户的安全。
做出更好决策的需求增加
在推送代码, 测试和构建方面, DevOps可能是自动化的, 但决策仍留给需要在日志, 错误代码和可视化工具(例如Kubernetes Cluster Explorer)中进行搜索的人员。但是, 将机器学习整合到DevOps工具中可以帮助提供可用于决策的建议。
需要减少软件开发数字化排气中的噪音
这将使平台, 开发和SRE团队更加注重防止问题和优化环境, 而不是手动尝试理解进入系统的整个数据。此外, 实时洞察力AIOps的潜力也非常适合常规部署。
需要提高Runbook自动化
AI / ML具有增强Runbook自动化的潜力。在DevOps流程中, 有大量最终确定性的自动化, 由于其复杂性和刚性, 它容易出错。环境不断变化, 运行手册最终过时了。在这种情况下, AI / ML可以帮助分析传入的遥测并修改运行手册以使它们了解上下文, 从而消除错误源。
更高的存储容量
对高存储容量的需求使得DevOps需要AI和机器学习技术。 AI和ML有一个数据湖, 可帮助存储数据和准备数据以用于建模, 培训和探索。数据湖是一个分布式文件系统, 用于将多结构数据保留为其原始格式, 以便于AI开发人员进行培训, 建模和探索。此外, 云提供商使用户可以轻松地在其平台上运行机器学习工作负载。这将使DevOps得以持续增强, 因为无需担心数据存储问题。
评论前必须登录！
注册