För att lindra DevOps kompetensproblem behöver vi mer AI-kunskaper, ironiskt nog

Artificiell intelligens ökar enligt uppgift intelligensen inom företag och gör samma sak för IT-butiker. Till exempel, AIOps (artificiell intelligens för IT-drift) tillämpar AI och maskininlärning på dataströmning från IT-processer, sållning genom bruset för att upptäcka, belysa och avvärja problem. 

AI och maskininlärning hittar också ett hem i ett annat framväxande IT-område: att hjälpa DevOps-team att säkerställa livskraften och kvaliteten på programvaran som rör sig i allt snabbare hastigheter genom systemet och ut till användarna. 

Som framkommit i en nyligen genomförd undersökning från GitHub, vänder sig utvecklings- och operationsteam till AI på ett stort sätt för att jämna ut flödet av kod genom mjukvarugransknings- och testfasen, med 31 % av teamen som aktivt använder AI- och ML-algoritmer för kodgranskning — mer än dubbelt så många som förra året. Undersökningen visar också att 37 % av teamen använder AI/ML i mjukvarutestning (upp från 25 %), och ytterligare 20 % planerar att introducera det i år.

Dessutom: Förstå Microsofts stora vision för att bygga nästa generation av apps

En ytterligare undersökning från Techstrong Research och Tricentis bekräftar denna trend. Undersökningen av 2,600 90 DevOps-utövare och ledare visar att XNUMX % är positiva till att injicera mer AI i testfasen av DevOps-flöden, och ser det som ett sätt att lösa kompetensbrister de också står inför. (Tricentis är en leverantör av mjukvarutestning, med en uppenbar andel i resultaten. Men uppgifterna är betydande eftersom de speglar en växande shift mot mer autonoma DevOps-metoder.)

Det finns till och med en paradox som framkom från Techstrong och Tricentis-studien: Företag behöver specialiserade färdigheter för att lindra ett behov av specialiserade färdigheter. Minst 47 % av de tillfrågade uppger att en stor fördel med AI-infunderade DevOps är att minska kompetensgapet och "göra det lättare för anställda att utföra mer komplicerade uppgifter." 

Dessutom: DevOps nirvana är fortfarande ett avlägset mål för många, antyder undersökning

Samtidigt citerade cheferna bristen på de färdigheter som behövs för att utveckla och köra AI-driven mjukvarutestning som en av de ledande hindren för AI-infunderade DevOps, med 44 %. Detta är en ond cirkel som förhoppningsvis kommer att åtgärdas när fler yrkesverksamma deltar i tränings- och utbildningsprogram fokuserade på AI och maskininlärning.  

När AI väl börjar komma på plats med IT-sajter, kommer det att hjälpa till att göra ett inhopp i processintensiva DevOps-arbetsflöden. Nästan två tredjedelar av cheferna i undersökningen (65 %) säger att funktionell mjukvarutestning är väl lämpad för och skulle ha stor nytta av AI-förstärkta DevOps. "DevOps framgång kräver testautomatisering i stor skala, vilket genererar enorma mängder komplexa testdata och kräver frekventa ändringar av testfall", påpekar undersökningens författare. "Detta överensstämmer perfekt med förmågan hos AI att identifiera mönster i stora datamängder och erbjuda insikter som kan användas för att förbättra och påskynda testprocessen."

Dessutom: Artificiell intelligens-projekt har tiodubblats under det senaste året, säger enkäten

Tillsammans med potentiellt minskade kompetenskrav identifierade undersökningen också följande fördelar med att ingjuta mer AI i DevOps:

• Förbättra kundupplevelsen: 48 %
• Minska kostnader: 45 %
• Öka effektiviteten för utvecklarteam: 43 %
• Öka kodkvaliteten: 35 %
• Diagnostisera problem: 25 %
• Öka utsläppshastigheten: 22 %
• Kodifierande kunskap: 22%
• Förhindra defekter: 19% 

Tidiga användare av AI-förstärkta DevOps tenderar att komma från större organisationer. Detta är inte förvånande, eftersom större företag skulle ha mer utvecklade DevOps-team och större tillgång till avancerade lösningar som AI. 

Dessutom: Det är dags för teknikteam att hitta sin röst i kundupplevelsen

"När det gäller DevOps, är dessa mogna företag märkta av de framsteg de har gjort i att effektivisera sin mjukvaruutvecklingskapacitet under de senaste fem till sju åren och deras mogna och förfinade pipelines och processer," påpekar Techstrong och Tricentis-författarna. "Dessa DevOps-organisationer är molnbaserade och använder DevOps arbetsflödespipelines, verktygskedjor, automation och molnteknik."

I det långa loppet är det en smart idé att ingjuta AI för att hjälpa till med viktiga aspekter av DevOps. DevOps-processen, trots allt samarbete och automatisering, blir bara mer ansträngande eftersom programvara förväntas flyga ut genom dörren i snabbare takt. Lämna det till maskinerna att hantera många av de betungande aspekterna, såsom testning och övervakning.