人工智能和機(jī)器學(xué)習(xí)為DevOps帶來了新的自動(dòng)化功能，為此需要對(duì)這些技術(shù)如何優(yōu)化組織運(yùn)營(yíng)的示例進(jìn)行了解。

DevOps工程旨在加速軟件開發(fā)流程，從而在不影響代碼質(zhì)量的情況下更快地為客戶提供價(jià)值。

在過去的十年中，傳統(tǒng)的DevOps已經(jīng)有了長(zhǎng)足的進(jìn)步，現(xiàn)在允許許多組織實(shí)施持續(xù)集成（CI）/持續(xù)部署（CD）管道。但是，在大多數(shù)情況下，組織仍然依靠人工流程和人工驅(qū)動(dòng)的自動(dòng)化流程的組合，并沒有進(jìn)行優(yōu)化。

人工智能和機(jī)器學(xué)習(xí)在DevOps的應(yīng)用

在DevOps領(lǐng)域也見證了人工智能和機(jī)器學(xué)習(xí)技術(shù)的興起。這些工具正在成為融合到傳統(tǒng)DevOps工具堆棧中的有力候選者。從決策流程改進(jìn)到自動(dòng)化操作和代碼質(zhì)量增強(qiáng)，在人工智能和機(jī)器學(xué)習(xí)的幫助下，DevOps的未來發(fā)展充滿希望。以下是七個(gè)值得關(guān)注的趨勢(shì)和變化：

（1）代碼審查實(shí)現(xiàn)自動(dòng)化

在軟件開發(fā)的早期階段，從編碼本身開始，人工智能和機(jī)器學(xué)習(xí)工具就已經(jīng)能夠基于思想數(shù)據(jù)集（機(jī)器學(xué)習(xí)和響應(yīng)的機(jī)器學(xué)習(xí)算法的輸入）執(zhí)行自動(dòng)代碼審查和代碼分析。這些有助于減少人類的參與。

此外，使用代碼管理和協(xié)作工具，用戶可以自動(dòng)將審查的工作量分散到團(tuán)隊(duì)成員中。其最終的結(jié)果是能夠更早地檢測(cè)到代碼缺陷、安全問題和與代碼相關(guān)的缺陷，這些缺陷都是這些算法能夠輕松發(fā)現(xiàn)的。這些工具還可以減少代碼審查中的噪聲。除了檢測(cè)缺陷之外，自動(dòng)代碼審查還強(qiáng)制執(zhí)行編碼和安全標(biāo)準(zhǔn)。

（2）代碼分析工具實(shí)現(xiàn)自動(dòng)化

由人工智能和機(jī)器學(xué)習(xí)支持的智能工具（例如代碼分析和改進(jìn)）可以從數(shù)百萬行代碼的存儲(chǔ)庫中學(xué)習(xí)。然后，這些工具可以了解代碼的意圖，并記錄開發(fā)人員所做的更改。在那里，這些智能工具可以為他們分析的每一行代碼提供建議。

還有一些開發(fā)人員則采用不同的方法來分析代碼。在分析了來自開源項(xiàng)目的數(shù)百萬條代碼之后，由機(jī)器學(xué)習(xí)工具提供支持的代碼著重于性能，并幫助找到可能導(dǎo)致重大損失的代碼行，這些代碼會(huì)損害應(yīng)用程序的響應(yīng)時(shí)間。這些工具可以在代碼中發(fā)現(xiàn)問題，例如資源泄漏、潛在的并發(fā)競(jìng)爭(zhēng)條件以及浪費(fèi)的CPU周期，并且它們還可以在代碼審查階段和應(yīng)用程序性能監(jiān)視階段與持續(xù)集成（CI）/持續(xù)部署（CD）管道集成。

在同一類別下，對(duì)新功能進(jìn)行編碼后，開發(fā)人員開始研究由人工智能和機(jī)器學(xué)習(xí)驅(qū)動(dòng)的自動(dòng)化單元測(cè)試創(chuàng)建。這可以為開發(fā)人員節(jié)省大約20%的時(shí)間。

（3）自我修復(fù)測(cè)試

構(gòu)建后驗(yàn)收和集成編碼的下一個(gè)階段是功能和非功能測(cè)試。在這里，使用人工智能和機(jī)器學(xué)習(xí)進(jìn)行代碼創(chuàng)建以及自我修復(fù)測(cè)試代碼和維護(hù)在DevOps領(lǐng)域已成為現(xiàn)實(shí)。

測(cè)試自動(dòng)化可能是一個(gè)巨大的瓶頸，并且通常是項(xiàng)目延遲的原因。不可靠的自動(dòng)化會(huì)影響測(cè)試過程。而測(cè)試自動(dòng)化不可靠的根本原因之一是測(cè)試中的應(yīng)用程序和測(cè)試中使用的元素的不斷更改。智能技術(shù)可以幫助識(shí)別這些變化并調(diào)整測(cè)試，使其更加穩(wěn)定可靠。

（4）低代碼/無代碼工具

此外，創(chuàng)建健壯的測(cè)試代碼的技能的成本很昂貴，而且并非總是可用，特別是對(duì)于移動(dòng)應(yīng)用和Web等數(shù)字應(yīng)用程序而言。在這里，通過學(xué)習(xí)應(yīng)用程序流程、屏幕和元素，人工智能和機(jī)器學(xué)習(xí)測(cè)試工具可以自動(dòng)生成測(cè)試，而幾乎不需要代碼。這些工具可以在每次測(cè)試運(yùn)行之間自我修復(fù)。

低代碼或無代碼工具允許更多的團(tuán)隊(duì)成員參與測(cè)試自動(dòng)化創(chuàng)建活動(dòng)。它們還為開發(fā)者騰出時(shí)間專注于更重要緊迫的活動(dòng)，例如創(chuàng)建新功能。

（5）機(jī)器人流程自動(dòng)化

機(jī)器人過程自動(dòng)化（RPA）是使用人工智能和機(jī)器學(xué)習(xí)進(jìn)行測(cè)試的自動(dòng)化的另一層。這樣的技術(shù)可以用于自動(dòng)化大型組織中的大量采用人工、耗時(shí)、易出錯(cuò)，以及難以自動(dòng)化的流程。

（6）測(cè)試影響分析工具

在測(cè)試執(zhí)行完成后，人工智能和機(jī)器學(xué)習(xí)測(cè)試影響分析（TIA）工具將處于適當(dāng)位置，可以指導(dǎo)決策者將哪些測(cè)試?yán)^續(xù)進(jìn)行到下一個(gè)版本，哪些領(lǐng)域不涉及其他內(nèi)容。在相同的測(cè)試類別下，人工智能和機(jī)器學(xué)習(xí)算法可以根據(jù)思想測(cè)試數(shù)據(jù)確定故障的根本原因，并節(jié)省大量的平均解決時(shí)間（MTTR）。

（7） AIOps

在DevOps流程的后期，在將代碼部署到生產(chǎn)之前和之后，人工智能和機(jī)器學(xué)習(xí)引領(lǐng)了AIOps中的新興技術(shù)。良好的AIOps解決方案不僅涵蓋智能應(yīng)用程序性能監(jiān)視（APM），而且還利用了IT基礎(chǔ)設(shè)施管理（ITIM）和IT服務(wù)管理（ITSM）。這些共同構(gòu)成了生產(chǎn)和運(yùn)營(yíng)洞察力分析的綜合層，可以在大數(shù)據(jù)上運(yùn)行，并且可以針對(duì)先進(jìn)的現(xiàn)代軟件架構(gòu)（微服務(wù)和云平臺(tái)等）運(yùn)行。

借助基于人工智能的操作功能，組織團(tuán)隊(duì)可以專注于確定其應(yīng)用程序的服務(wù)運(yùn)行狀況，并獲得對(duì)其生產(chǎn)數(shù)據(jù)的控制和可視性。這樣，DevOps團(tuán)隊(duì)可以使用實(shí)時(shí)自動(dòng)事件管理來加快其平均解決時(shí)間（MTTR）。在這里，人工智能和機(jī)器學(xué)習(xí)在生產(chǎn)中的應(yīng)用程序內(nèi)的日志可觀察性、趨勢(shì)和預(yù)測(cè)等方面可以做更多的工作。

使用AIOps產(chǎn)品組合中的此類工具，團(tuán)隊(duì)可以減少并經(jīng)常防止服務(wù)停機(jī)（預(yù)測(cè)性警報(bào)）。他們還可以加快支持故障解決的速度，更快地分析大型日志文件，并找出根本原因和類別（安全性、網(wǎng)絡(luò)、服務(wù)器等）。

結(jié)語

盡管DevOps和人類工程學(xué)永遠(yuǎn)不會(huì)消失，但它們肯定可以使用一些幫助來優(yōu)化和加速那些難以自動(dòng)化和維護(hù)的單調(diào)、易出錯(cuò)的活動(dòng)。

人工智能和機(jī)器學(xué)習(xí)是應(yīng)對(duì)這些挑戰(zhàn)的絕佳解決方案，并且通過對(duì)每個(gè)組織的問題進(jìn)行適當(dāng)?shù)姆治?，決策者可以從這些工具中獲得巨大價(jià)值。而只有在將這些解決方案與現(xiàn)有流程和工具無縫集成的情況下，才能獲得成功。如果人工智能和機(jī)器學(xué)習(xí)無法輕松地集成到標(biāo)準(zhǔn)DevOps工具堆棧中，則項(xiàng)目將無法實(shí)現(xiàn)價(jià)值，并最終恢復(fù)到傳統(tǒng)的軟件開發(fā)實(shí)踐。
責(zé)編AJX