Kunstig intelligens øker angivelig intelligensen i bedrifter og gjør det samme for informasjonsteknologibutikker. For eksempel, AIOps (kunstig intelligens for IT-drift) bruker AI og maskinlæring på datastrømming fra IT-prosesser, siler gjennom støyen for å oppdage, sette søkelyset på og avverge problemer.
AI og maskinlæring finner også et hjem i et annet voksende IT-område: å hjelpe DevOps-teamene med å sikre levedyktigheten og kvaliteten til programvaren som beveger seg med stadig raskere hastigheter gjennom systemet og ut til brukerne.
Som funnet i en nylig undersøkelse fra GitHub, henvender utviklings- og operasjonsteam seg til AI på en stor måte for å jevne ut strømmen av kode gjennom programvaregjennomgangs- og testfasen, med 31 % av teamene som aktivt bruker AI- og ML-algoritmer for kodegjennomgang. — mer enn det dobbelte av fjorårets tall. Undersøkelsen finner også at 37 % av teamene bruker AI/ML i programvaretesting (opp fra 25 %), og ytterligere 20 % planlegger å introdusere det i år.
Også: Forstå Microsofts store visjon for å bygge neste generasjon av apps
En ekstra Undersøkelsen fra Techstrong Research og Tricentis bekrefter denne trenden. Undersøkelsen av 2,600 DevOps-utøvere og -ledere finner at 90 % er positive til å injisere mer AI i testfasen av DevOps-flytene, og ser det som en måte å løse kompetansemangelen de også står overfor. (Tricentis er en leverandør av programvaretesting, med en åpenbar andel i resultatene. Men dataene er betydelige ettersom de gjenspeiler en voksende shift mot mer autonome DevOps-tilnærminger.)
Det er til og med et paradoks som dukket opp fra Techstrong og Tricentis-studien: Bedrifter trenger spesialiserte ferdigheter for å lindre et behov for spesialiserte ferdigheter. Minst 47 % av de spurte oppgir at en stor fordel med AI-infundert DevOps er å redusere kompetansegapet, og "gjøre det lettere for ansatte å utføre mer kompliserte oppgaver."
Også: DevOps nirvana er fortsatt et fjernt mål for mange, antyder undersøkelsen
Samtidig ble mangel på ferdigheter som trengs for å utvikle og kjøre AI-drevet programvaretesting sitert av ledere som en av de ledende barrierene for AI-infunderte DevOps, med 44 %. Dette er en ond sirkel som forhåpentligvis vil bli utbedret ettersom flere fagfolk deltar i opplæring og utdanningsprogrammer fokusert på AI og maskinlæring.
Når AI begynner å komme på plass med IT-sider, vil det bidra til å gjøre et inngrep i prosessintensive DevOps-arbeidsflyter. Nesten to tredjedeler av lederne i undersøkelsen (65 %) sier funksjonell programvaretesting er godt egnet for og vil ha stor nytte av AI-utvidede DevOps. "DevOps-suksess krever testautomatisering i stor skala, som genererer enorme mengder komplekse testdata og krever hyppige endringer i testtilfeller," påpeker undersøkelsens forfattere. "Dette samsvarer perfekt med evnene til AI for å identifisere mønstre i store datasett og tilby innsikt som kan brukes til å forbedre og akselerere testprosessen."
Også: Kunstig intelligens-prosjekter har tidoblet seg det siste året, viser undersøkelsen
Sammen med potensielt reduserte ferdighetskrav, identifiserte undersøkelsen også følgende fordeler ved å tilføre mer AI i DevOps:
Tidlige brukere av AI-forsterkede DevOps har en tendens til å være fra større organisasjoner. Dette er ikke overraskende, siden større bekymringer ville ha mer utviklede DevOps-team og større tilgang til avanserte løsninger som AI.
Også: Det er på tide at teknologiteam finner sin stemme i kundeopplevelsen
"Når det gjelder DevOps, er disse modne selskapene preget av fremgangen de har gjort i å strømlinjeforme sine programvareutviklingsevner de siste fem til syv årene og deres modne og raffinerte pipelines og prosesser," påpeker Techstrong og Tricentis-forfatterne. "Disse DevOps-organisasjonene er skybaserte og bruker DevOps arbeidsflytpipelines, verktøykjeder, automasjon og skyteknologier."
I det lange løp er det en smart idé å tilføre AI for å hjelpe til med viktige aspekter ved DevOps. DevOps-prosessen, på tross av alt samarbeid og automatisering, blir bare mer utmattende ettersom programvare forventes å fly ut døren i et økende tempo. Overlat det til maskinene å håndtere mange av de tyngende aspektene, som testing og overvåking.