For at afhjælpe DevOps-færdighedsproblemer har vi brug for flere AI-færdigheder, ironisk nok

Kunstig intelligens øger efter sigende intelligensen i virksomheder og gør det samme for informationsteknologibutikker. For eksempel anvender AIOps (kunstig intelligens til it-drift) kunstig intelligens og maskinlæring til datastreaming fra it-processer, gennemsøger støjen for at opdage, sætte fokus på og afværge problemer. 

AI og maskinlæring finder også et hjem i et andet spirende IT-område: at hjælpe DevOps-teams med at sikre levedygtigheden og kvaliteten af ​​softwaren, der bevæger sig med stadig hurtigere hastigheder gennem systemet og ud til brugerne. 

Som det fremgår af en nylig undersøgelse fra GitHub, henvender udviklings- og operationsteam sig til AI på en stor måde for at udjævne strømmen af ​​kode gennem softwaregennemgangs- og testfasen, hvor 31 % af holdene aktivt bruger AI- og ML-algoritmer til kodegennemgang. — mere end det dobbelte af sidste års antal. Undersøgelsen viser også, at 37 % af holdene bruger AI/ML i softwaretestning (op fra 25 %), og yderligere 20 % planlægger at introducere det i år.

Også: Forståelse af Microsofts store vision for at bygge den næste generation af apps

En ekstra undersøgelse ud af Techstrong Research og Tricentis bekræfter denne tendens. Undersøgelsen blandt 2,600 DevOps-udøvere og -ledere finder, at 90 % er positive over for at injicere mere AI i testfasen af ​​DevOps-flows, og ser det som en måde at løse kompetencemangel, de også står over for. (Tricentis er en softwaretestleverandør med en åbenlys andel i resultaterne. Men dataene er betydelige, da de afspejler en voksende shift mod mere autonome DevOps-tilgange.)

Der er endda et paradoks, der dukkede op fra Techstrong og Tricentis-undersøgelsen: Virksomheder har brug for specialiserede færdigheder for at afhjælpe et behov for specialiserede færdigheder. Mindst 47 % af de adspurgte angiver, at en stor fordel ved AI-infunderet DevOps er at reducere kvalifikationskløften og "gøre det lettere for medarbejderne at udføre mere komplicerede opgaver." 

Også: DevOps nirvana er stadig et fjernt mål for mange, viser undersøgelsen

Samtidig blev en mangel på de nødvendige færdigheder til at udvikle og køre AI-drevet softwaretest af lederne nævnt som en af ​​de førende barrierer for AI-infunderede DevOps, med 44 %. Dette er en ond cirkel, som forhåbentlig vil blive afhjulpet, efterhånden som flere fagfolk deltager i trænings- og uddannelsesprogrammer med fokus på kunstig intelligens og maskinlæring.  

Når AI begynder at blive sat på plads med it-websteder, vil det hjælpe med at gøre indhug i procesintensive DevOps-arbejdsgange. Næsten to tredjedele af lederne i undersøgelsen (65%) siger, at funktionel softwaretest er velegnet til og ville have stor gavn af AI-augmented DevOps. "DevOps succes kræver testautomatisering i skala, som genererer enorme mængder af komplekse testdata og kræver hyppige ændringer af testcases," påpeger undersøgelsens forfattere. "Dette stemmer perfekt overens med AI's muligheder for at identificere mønstre i store datasæt og tilbyde indsigt, der kan bruges til at forbedre og accelerere testprocessen."

Også: Kunstig intelligens-projekter er blevet tidoblet i løbet af det seneste år, viser undersøgelsen

Sammen med potentielt reducerede færdighedskrav identificerede undersøgelsen også følgende fordele ved at tilføre mere kunstig intelligens i DevOps:

• Forbedre kundeoplevelsen: 48 %
• Reducer omkostninger: 45 %
• Øg effektiviteten af ​​udviklerteams: 43 %
• Forøg kodekvalitet: 35 %
• Diagnosticer problemer: 25 %
• Forøg udgivelseshastigheden: 22 %
• Kodificerende viden: 22%
• Forebyg defekter: 19% 

Tidlige brugere af AI-augmented DevOps plejer at være fra større organisationer. Dette er ikke overraskende, da større virksomheder ville have mere udviklede DevOps-teams og større adgang til avancerede løsninger såsom AI. 

Også: Det er tid for teknologiteams at finde deres stemme i kundeoplevelsen

"Med hensyn til DevOps er disse modne virksomheder præget af de fremskridt, de har gjort med at strømline deres softwareudviklingskapaciteter i løbet af de sidste fem til syv år og deres modne og raffinerede pipelines og processer," påpeger Techstrong og Tricentis forfattere. "Disse DevOps-organisationer er cloud-native og bruger DevOps workflow pipelines, værktøjskæder, automatisering og cloud-teknologier."

I det lange løb er det en smart idé at infundere AI for at hjælpe med vitale aspekter af DevOps. DevOps-processen, på trods af al dens samarbejde og automatisering, bliver kun mere udmattende, da software forventes at flyve ud af døren i et hurtigere tempo. Overlad det til maskinerne at håndtere mange af de besværlige aspekter, såsom test og overvågning.