人工智能和機器學(xué)習(xí)為DevOps帶來了新的自動化功能，為此需要對這些技術(shù)如何優(yōu)化組織運營的示例進行了解。

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值。

在過去的十年中，傳統(tǒng)的DevOps已經(jīng)有了長足的進步，現(xiàn)在允許許多組織實施持續(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)動的自動化流程的組合，并沒有進行優(yōu)化。

人工智能和機器學(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。從決策流程改進到自動化操作和代碼質(zhì)量增強，在人工智能和機器學(xué)習(xí)的幫助下，DevOps的未來發(fā)展充滿希望。以下是七個值得關(guān)注的趨勢和變化：

（1）代碼審查實現(xiàn)自動化

在軟件開發(fā)的早期階段，從編碼本身開始，人工智能和機器學(xué)習(xí)工具就已經(jīng)能夠基于思想數(shù)據(jù)集（機器學(xué)習(xí)和響應(yīng)的機器學(xué)習(xí)算法的輸入）執(zhí)行自動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，用戶可以自動將審查的工作量分散到團隊成員中。其最終的結(jié)果是能夠更早地檢測到代碼缺陷、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。除了檢測缺陷之外，自動代碼審查還強制執(zhí)行編碼和安全標(biāo)準(zhǔn)。

（2）代碼分析工具實現(xiàn)自動化

由人工智能和機器學(xué)習(xí)支持的智能工具（例如代碼分析和改進）可以從數(shù)百萬行代碼的存儲庫中學(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目的數(shù)百萬條代碼之后，由機器學(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，這些代碼會損害應(yīng)用程序的響應(yīng)時間。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)競爭條件以及浪費的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，對新功能進行編碼后，開發(fā)人員開始研究由人工智能和機器學(xué)習(xí)驅(qū)動的自動化單元測試創(chuàng)建。這可以為開發(fā)人員節(jié)省大約20%的時間。

（3）自我修復(fù)測試

構(gòu)建后驗收和集成編碼的下一個階段是功能和非功能測試。在這里，使用人工智能和機器學(xué)習(xí)進行代碼創(chuàng)建以及自我修復(fù)測試代碼和維護在DevOps領(lǐng)域已成為現(xiàn)實。

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

（4）低代碼/無代碼工具

此外，創(chuàng)建健壯的測試代碼的技能的成本很昂貴，而且并非總是可用，特別是對于移動應(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，人工智能和機器學(xué)習(xí)測試工具可以自動生成測試，而幾乎不需要代碼。這些工具可以在每次測試運行之間自我修復(fù)。

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

（5）機器人流程自動化

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

（6）測試影響分析工具

在測試執(zhí)行完成后，人工智能和機器學(xué)習(xí)測試影響分析（TIA）工具將處于適當(dāng)位置，可以指導(dǎo)決策者將哪些測試?yán)^續(xù)進行到下一個版本，哪些領(lǐng)域不涉及其他內(nèi)容。在相同的測試類別下，人工智能和機器學(xué)習(xí)算法可以根據(jù)思想測試數(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)和運營洞察力分析的綜合層，可以在大數(shù)據(jù)上運行，并且可以針對先進的現(xiàn)代軟件架構(gòu)（微服務(wù)和云平臺等）運行。

借助基于人工智能的操作功能，組織團隊可以專注于確定其應(yīng)用程序的服務(wù)運行狀況，并獲得對其生產(chǎn)數(shù)據(jù)的控制和可視性。這樣，DevOps團隊可以使用實時自動事件管理來加快其平均解決時間（MTTR）。在這里，人工智能和機器學(xué)習(xí)在生產(chǎn)中的應(yīng)用程序內(nèi)的日志可觀察性、趨勢和預(yù)測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，團隊可以減少并經(jīng)常防止服務(wù)停機（預(yù)測性警報）。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)永遠不會消失，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化和維護的單調(diào)、易出錯的活動。

人工智能和機器學(xué)習(xí)是應(yīng)對這些挑戰(zhàn)的絕佳解決方案，并且通過對每個組織的問題進行適當(dāng)?shù)姆治?，決策者可以從這些工具中獲得巨大價值。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，則項目將無法實現(xiàn)價值，并最終恢復(fù)到傳統(tǒng)的軟件開發(fā)實踐。
責(zé)編AJX