AI w DevOps – sześć przypadków użycia i odpowiednie narzędzia
#1: Potoki CI/CD (Pipelines)
Procesy ciągłej integracji i ciągłego wdrażania to chleb powszedni DevOps, więc ta lista nie mogła zacząć się od niczego innego.
Szczególnie wartościowym przypadkiem użycia AI w CI/CD jest testowanie kodu pod kątem bezpieczeństwa. Modele ML potrafią szybko zrozumieć logikę kodu i znaleźć potencjalne luki. Jednym z pionierów w tej dziedzinie jest Snyk z rozwiązaniem DeepCode AI, które można zintegrować z procesem budowania i testowania aplikacji.
AI coraz lepiej radzi sobie również ze sprawdzaniem jakości kodu. Deweloperzy mogą szybciej pisać niezawodny kod dzięki „asystentom kodowania AI”, często dostępnym jako wtyczki do popularnych środowisk IDE, jak GitLab Duo czy GitHub Copilot.
Sztuczna inteligencja jest również pomocna przy wdrażaniu kodu na produkcję. Na przykład Harness wykorzystuje ML do analizy logów systemowych, aby sprawdzić, jak zmienia się wydajność aplikacji po wdrożeniu nowej wersji (builda).
Oczywiście istnieje znacznie więcej sposobów na czerpanie korzyści z AI w CI/CD, dlatego wkrótce omówię je w osobnym wpisie na blogu.
#2: Wykrywanie anomalii
Wykrywanie anomalii to jedno z najpopularniejszych zastosowań AI w DevOps.
Funkcja ta jest możliwa dzięki monitorowaniu i analizowaniu danych z takich źródeł jak logi, metryki i zdarzenia, w celu wychwycenia odchyleń od typowych wzorców. Zespoły DevOps mogą wykrywać potencjalne anomalie, ustawiając alerty, zanim przerodzą się one w poważne problemy.
Wykrywanie anomalii oparte na AI jest obecnie częścią popularnych platform monitorujących, takich jak DataDog i Splunk; wszyscy kluczowi dostawcy chmury również oferują podobne funkcjonalności.
Na przykład Amazon posiada całe portfolio narzędzi do wykrywania anomalii w infrastrukturze programowej i sprzętowej. Amazon DevOps Guru oraz Lookout for Metrics świetnie sprawdzają się w wykrywaniu niespójności w danych operacyjnych i biznesowych.
W zakresie wykrywania i usuwania podatności Amazon oferuje CodeGuru wraz z CodeGuru Security.
Do wykrywania anomalii w infrastrukturze sprzętowej i fizycznej warto rozważyć Monitron oraz Lookout for Equipment. Pierwszy z nich analizuje wibracje i temperaturę sprzętu, podczas gdy drugi automatycznie analizuje dane z czujników urządzeń przemysłowych, aby wykryć nienormalne zachowania i uniknąć przestojów.
#3: Diagnozowanie i analiza problemów
Rozwiązania oparte na AI wspierają zespoły DevOps w diagnozowaniu i analizowaniu problemów. Gdy algorytmy uczenia maszynowego wykryją anomalie, mogą zidentyfikować wzorce i skorelować je ze zdarzeniami w całych systemach IT, niezależnie od ich złożoności.
Narzędzia takie jak Dynatrace AIOps, New Relic oraz Datadog Trace Queries wykorzystują mechanizmy AI do diagnozowania problemów w czasie rzeczywistym, dostarczając wgląd w przyczyny źródłowe (root causes) i sugerując strategie naprawcze.
Platformy te analizują ogromne ilości danych telemetrycznych, aby zidentyfikować wąskie gardła wydajności, błędy konfiguracji i luki w zabezpieczeniach, pomagając zespołom DevOps szybko i niezawodnie rozwiązywać problemy systemowe.
#4: Optymalizacja infrastruktury
Kolejnym obszarem DevOps, w którym AI błyszczy, jest optymalizacja infrastruktury. Jest to możliwe dzięki analizie wzorców użytkowania, przewidywaniu zapotrzebowania i automatyzacji alokacji zasobów.
Narzędzia oparte na AI mogą optymalizować infrastrukturę chmurową poprzez dynamiczne dostosowywanie zasobów do wahań obciążenia, zapewnianie efektywnego wykorzystania, wykrywanie marnotrawstwa i umożliwianie proaktywnych korekt.
Tego typu wsparcie jest dostępne na przykład na Google Cloud Platform w ramach Active Assist. Narzędzia GCP pomagają optymalizować operacje w chmurze, rekomendując sposoby na redukcję wydatków, zwiększenie wydajności, poprawę bezpieczeństwa, a nawet zrównoważony rozwój.
Analizując Twoje zużycie, Active Assist sugeruje najbardziej optymalny typ maszyn wirtualnych (VM), sposoby na ich odpowiednie skalowanie (rightsizing) i wskazuje niedostatecznie wykorzystane zasoby.
#5: Przewidywania i rekomendacje uwzględniające kontekst
Główną ofertą Microsoftu w tym zakresie jest Copilot for Azure, który może wspierać Cię we wszystkim – od pisania kodu po konsultacje dotyczące infrastruktury bezpośrednio w panelu Azure.
Ten kierunek rozwoju produktu nie powinien dziwić, biorąc pod uwagę partnerstwo Microsoftu z OpenAI, firmą stojącą za ChatGPT i wynikającym z niego szałem na GenAI.
Jednak Amazon Q udowadnia, że gigant z Redmond nie ma monopolu na wielkie modele językowe i asystentów opartych na sztucznej inteligencji.
#6: Bezpieczeństwo sieciowe i analityka (intelligence)
Bezpieczeństwo sieciowe w środowiskach chmurowych stało się kluczowe w erze cloud computingu ze względu na zwiększoną transmisję danych i globalne rozproszenie zasobów.
AI wspiera DevOps w bezpieczeństwie sieciowym poprzez szybsze wykrywanie anomalii, analizę predykcyjną, analitykę zagrożeń (threat intelligence) i zautomatyzowaną reakcję. Możliwości te wynikają z analizy wzorców ruchu sieciowego oraz przewidywania i identyfikowania zagrożeń z ogromnych źródeł danych.
Jednym z popularnych narzędzi w tym segmencie jest Prisma SD-WAN. Integrując funkcje bezpieczeństwa oparte na AI z zarządzaniem siecią, rozwiązanie to pomaga wzmocnić obronę sieci i mitygować ryzyka.
Kolejnym narzędziem jest VMware Edge Network Intelligence, które wykorzystuje AI do analizy i automatyzacji zadań w sieciach brzegowych (edge). Przewidywanie problemów oraz automatyzacja zadań związanych z zarządzaniem i bezpieczeństwem zwiększa wydajność i niezawodność procesów DevSecOps.
Po miesiącach testów, pod koniec 2023 roku udostępniono IBM Hybrid Cloud Mesh, wspierający optymalizację ruchu sieciowego.
Innym interesującym przypadkiem w tej kategorii jest wykrywanie nieautoryzowanego dostępu. Ta publikacja pokazuje, jak wykorzystać hybrydowe modele głębokiego uczenia do wykrywania i zapobiegania próbom włamań w chmurze AWS.
Biorąc pod uwagę szum wokół R&D i biznesu AI we wszystkich branżach, możemy spodziewać się jeszcze bardziej innowacyjnych zastosowań w najbliższej przyszłości. AI oferuje niemal nieograniczone możliwości, więc wyścig zbrojeń trwa.
