人工智能在新领域DevOps中能起到什么作用？

人工智能已经在发挥作用的一个领域是DevOps，而且它注定会产生更大的影响。专家表示，人工智能和机器学习还有继续增强DevOps的潜力，尽管许多组织已经开始采用这种模型来提高应用程序开发和其他业务领域的效率。

人工智能的自我学习、预测和自动化能力将加速开发更有弹性、功能更丰富的应用程序。

人工智能（ AI ）如今无处不在——或者至少看起来是这样的。这项技术之所以具有很大的前景，是因为它将为仍然主要依靠手动的业务流程实现各种自动化，并为数据分析提供更多动力。

人工智能已经在发挥作用的一个领域是DevOps，而且它注定会产生更大的影响。专家表示，人工智能和机器学习还有继续增强DevOps的潜力，尽管许多组织已经开始采用这种模型来提高应用程序开发和其他业务领域的效率。

Tata咨询服务公司高科技行业/软件部门和业务解决方案部门的业务主管Spandan Mahapatra表示，“人工智能和机器学习与DevOps将有着全方面的互联互通”。

Mahapatra说：“许多公司已经在他们的DevOps过程中不同程度地推动了数字转型，使它们能够真正实现基于结果的成功”。“AI/ML正在提供优化DevOps过程的解决方案。”

国际数据公司DevOps、多云管理、ITSM和软件定义计算项目的副总裁Stephen Elliot说：“对大多数DevOps团队来说，利用人工智能还为时过早，但我们看到很多客户开始考虑人工智能和数据分析可能为他们提供的机会。

Elliot说：“我们确实看到（基础设施和运营）团队的分析能力有了巨大的提升，因为许多团队已经部署了应用程序性能或流分析服务来识别和解决问题”。“DevOps团队应该考虑分析技术的使用，因为它可以影响流程效率以及问题的识别和解决，同时改进客户体验，使业务结果更高效。”

拥抱新的潮流

其中的一家将人工智能和DevOps相结合的公司是Power Home reforming，该公司提供户外家居改造产品。该公司创建了自己的专有技术平台NITRO，涵盖了从客户关系管理（ CRM ）平台到内部社交网络的所有内容。

首席创新官Tim Wenhold说：“因为我们实际上是一家开发公司，所以我们有一个真正的DevOps团队。”Power正在通过NITRO建立自己的人工智能基础设施，其目标是利用其掌握的数据宝库，并允许人工智能和机器学习帮助其开发更好的客户服务，提高效率并增强员工的能力。

Wenhold说，DevOps团队正在“研究如何将人工智能基础设施投入使用”。“从本质上讲，我们的DevOps团队必须支持我们优先考虑的开发环境。因此，在我们的世界里，人工智能和机器学习目前最大的影响与开发人员学习新技能有关。

Wenhold说，AI也在帮助DevOps进入“预测状态”。“例如，当我们审视我们的持续集成过程时，它可以告诉我们应该在哪里进行更改以改进CI管道，”他说。

又例如，在安全性方面，以往很难快速识别出那些令人担忧的模式。“今天，我们需要很长时间来查看与安全监控相关的各种日志和报告，”Wenhold说。“当您将机器学习应用于识别威胁时，我们将能够比当前的实践快1000倍地标记异常。人工智能/机器学习将帮助DevOps团队更加积极主动，而不是被动反应，它让我们能够更好地预测所有环境。”

正如商业智能（BI）和大数据旨在提供分析而不是简单的仪表板和报告一样，人工智能将有助于推进预测建模，从而使DevOps受益，”Wenhold说。

随着人工智能变得更加强大，对DevOps的影响只会越来越大。“我们将进入AI /ML不仅有助于快速标记异常的阶段;最终他们会帮助我们在我们还不知道问题存在之前就解决问题，”Wenhold说。

这家公司有数百万条记录。“目前，我们扮演着侦探的角色：我们查看日志，发现异常并做出调整，”Wenhold说。“人工智能将通过为我们发现异常来改变这个过程。然后，它将告诉我们可能会发生什么，并提出改变以应对威胁的选项。更进一步的，人工智能将在事后告诉我们为纠正异常所做的调整。这是令人兴奋的事情。”

医疗保健公司Molina Healthcare也对AI/DevOps的趋势充满热情。“我们已经看到了价值和收益将来自哪里，”Molina Healthcare的首席信息官Rick Hopfer表示，该公司在2016年开始在DevOps领域使用人工智能。

Hopfer说：“我们试图解决的问题是如何从我们的系统每天生成的所有事务日志中的大量数据中获得洞察力”。“仅有一个收集信息的系统是不够的，我们需要关注真正的问题，而不是所有的噪音。”

为了解决这个问题，该公司首先需要使其用于监视应用程序和基础设施的所有现有工具合理化。其次，它需要汇总数据。这意味着将各种工具的遥测数据引入到一个中央平台，关联数据，并使用ML来识别真正的问题。第三，它需要着眼于趋势和预测分析。

“这意味着要建立正确的视图，以便数据的可视化并提高效率和主动去管理这项技术，”Hopfer说。“我们使用了一系列供应商解决方案来实现这一目标。结果是令人印象深刻的。它能够几乎实时地找到问题，大大缩短了解决问题的时间。”

未来就在眼前

Elliot表示，未来将基于分析能力，在CI / CD、客户体验、问题管理等特定视角下采取行动。“现实情况是，自动化和分析就像花生酱和果冻一样，两者结合起来的效果要好得多，”他说。“因为这有助于技术和业务流程的加速，并在独特的、特定的业务和技术情况下采取行动。”

企业绝不应将人工智能和机器学习视为未来的技术，因为它们如今已经可以对DevOps产生巨大的影响。

数据存储和基础设施管理提供商NetApp的首席技术专家Andy Grimes表示：“DevOps可以提高新应用程序的速度，但在后数字时代，DevOps必须与人工智能的数据需求相结合”。“DevOps方法和现代数据需求的结合创造了一种新的‘数据操作’模式。”

由于新的人工智能应用程序需要以指数级的速度和规模聚合和准备数据，“在这种新的数据操作模式中，开发人员需要与IT团队更加紧密地联系在一起，并且必须了解人工智能应用程序应该在混合环境中的什么位置，”Grimes说。“现代DataOps还将包括边缘数据的收集，核心本地数据的聚合，使用云工具集增强的数据准备，以及基于工具创新和业务持续发展而频繁更改的必要架构。”

Grimes说，随着DataOps的不断发展和人工智能和分析平台的需要，数据将保持不变，而应用程序和基础设施将在不断创新和迭代设计中不断发展，以支持巨大的速度和数量。

全球IT解决方案提供商Larsen&Tourbo Infotech的执行副总裁兼首席数据分析官Soumendra Mohanty说，人工智能带来了三种不同的能力——自我学习、预测和自动化——可以改进当前的DevOps实践，如CI和CD，该公司通过包括实施AI在内的数字转型努力指导了许多企业客户。

虽然DevOps为软件交付提供了敏捷和更快的时间，但是交付过程中更大的一部分仍然缺少关键的组件，比如持续的创新和持续的反馈循环。

Mohanty说：“人工智能和机器学习需要以具有自学习能力的数据为基础”。“这正是将AI和ML技术嵌入到DevOps任务和流程中非常有益的原因。”

例如，当开发软件代码时，AI / ML可以通过模拟各种可能的场景来跟踪最终用户体验的处理程度。Mohanty说：“需求不再需要被冻结，最终用户也不再是被动的玩家”。“AI / ML在消除早期的基于规则的软件开发中发挥了关键作用，并通过从数据中的学习带来了很大的灵活性。”

AI和ML有助于跟踪生产绩效，并与过去的问题建立联系，帮助了解提供了什么样的解决方案，以及它们在多大程度上是有效的。某些问题可以提前预测并自动修复。Mohanty说：“AI / ML在DevOps上的这些干预不仅会使代码开发、部署和生产运行更加可预测，还可以提供一个持续的创新过程。”。

DevOps团队可以专注于开发的生命周期，并将不断变化的需求牢记于心。“然而，预测代码和数据管理的一个重要方面是他们没有特定的关注点，”Mohanty说。“随着AI / ML嵌入到DevOps流程中，DevOps团队可以深入了解代码是如何执行的，包括客户旅程中的所有场景是否都得到解决了，过去的问题和解决方案是否都得到了考虑，等等。”

管理数据

人工智能还可以帮助管理DevOps环境中不断增长的数据量。

“AI/ML的应用旨在发现大量数据的模式和趋势，”卡耐基梅隆大学软件工程学院CERT部门的网络安全基金会技术经理Eliezer Kanal说。

Kanal说：“这一领域在工业上的成功很大程度上源于‘大量的弱指标’。”例如，如果你想知道外面的温度，你可以去找一个单一的信息来源——温度计——它是温度的一个强有力的预测指标。不幸的是，在许多情况下，我们没有一种类似的传感器，可以直接测量我们想要知道的东西，所以我们不得不依赖很多微弱的指标。人类发现这类任务非常困难，但对于现代机器来说，这几乎是微不足道的。

“DevOps充斥着大量数据;提交注释、发布跟踪者评论、错误报告、各种类型的日志文件，以及自动化的代码输出。”Kanal说。这些数据经常被开发团队直接用于陈述他们的目的：例如，Bug报告被用来理解什么是Bug。

Kanal说：“但是当ML/AI被引入时，就可以得到更多的东西。”例如，通过检查容易被报告的错误类型，分析师可以发现一些次要的观察结果，比如哪些模块使用得最频繁，哪些模块最有可能出错，哪些模块有最困难的错误，等等与开发过程相关的其他非常有用的信息。

Kanal说：“通过使用bug报告系统作为开发环境的数据来源，而不是作为一个操作工具，公司可以大量地了解他们自己的开发实践并提高他们的整体性能。”

这方面的另一个例子涉及到生产系统的管理。“现代系统会产生大量的日志，其中大部分都会在系统发生故障时用于事后处理，”Kanal说。“然而，通过将这些日志输入到人工智能系统中，我们不仅能够理解为什么会出现特定的故障，而且还能识别出在故障中可能难以检测到的模式。”

Kanal说，AI / ML技术正迅速变得更容易融入到现有的产品中。许多技术供应商已经发布了API和工具包来帮助企业将这些能力融入到他们的产品中。

从这个角度来看，DevOps团队不仅会越来越熟悉这些技术本身，还会越来越熟悉如何将它们整合到软件中。这将大大提高向最终用户提供的软件质量。

Kanal说：“随着AI / ML工具的使用和培训越来越广泛，将有可能在未来的许多年里持续提高DevOps过程中AI / ML的影响力。”。