2018年のソフトウェア開発に関する10の予測、注目のブロックチェーンとAIを含む

[[221321]]

ブロックチェーン、NLP、AI 駆動型ツール、機械学習、サーバーレス コンピューティング、DevOps のイノベーションは、2018 年に開発者の生活を変えるでしょう。

ブロックチェーン、チャットボット、サーバーレス機能、機械学習などのテクノロジーに関連する製品やツールが、実際のプロジェクトで使用できるほど成熟してくるため、開発者は 2018 年のチャンスに期待するべきです。同時に、多くの開発者は、セキュリティとパフォーマンスを損なうことなくコードと機能をより速く提供できないのではないかと懸念しています。しかし、ここには良いニュースもあります。

開発者にとって、2018 年は、変革の新たな機会を捉え、より多くのことを求めるプレッシャーを管理しながら、より高い品質でより多くのことを行う必要性が高まった年でした。今後 1 年間にこれらの力がどのように発揮されるかについて、10 の予測を示します。

1. ブロックチェーンを使ったB2B取引が実用化

企業は、ブロックチェーンを利用した取引によって得られるセキュリティ、信頼性、効率性を理解し始めています。来年、開発者は金融サービスや製造サプライチェーン全体で多くのブロックチェーンのユースケースを実装する予定です。ブロックチェーンは、相互に完全に信頼していない組織間で、効率的で安全、かつ不変で信頼できるトランザクションを可能にし、仲介者を排除するテクノロジーです。

海外の製造業者に製品を注文する会社を考えてみましょう。商品は運送会社を通じて発送され、通関し、別の運送会社を経由して、最終的に購入者に届きます。現在、各ステップでの検証と調整は主に電子メールとスプレッドシートを介して行われ、多くの人員とプロセスが関与しています。ブロックチェーンは、最小限の参加者が「はい、取引のこの部分は発生しました」と発言すると、ブロックチェーン台帳に取り消し不可能な更新を行うことで、手動のプロセスと調整を排除します。

ブロックチェーン クラウド サービスは、スケーラビリティ、弾力性、セキュリティ、エンタープライズ システムとの事前構築された統合をもたらし、開発者が基盤となるハイパーレジャー ファブリックの実装ではなく、ビジネス ユースケースに集中しやすくなります。

2. チャットボットは顧客や従業員と実際に会話することが多い

人々は、チェックイン方法や搭乗券の取得方法が異なる 3 つの異なる航空会社アプリなど、同じ作業を実行するために複数のモバイル アプリが必要になることにうんざりしています。より良いアプローチは、同じ機能を、モバイル メッセージングで最も人気のあるアプリを通じて提供することです。メッセージングには、即時性、表現力、会話性という 3 つの魅力的な要素があり、トレーニングは必要ありません。人工知能と自然言語処理の進歩により、人々は Facebook Messenger、Slack、WeChat、WhatsApp、あるいは Amazon Alexa や Google Home などの音声アシスタントを使用して、インテリジェント ロボットに質問し、回答を得るようになるでしょう。

新しいインテリジェント ボット構築クラウド サービスを使用すると、開発者は、顧客の意図を理解し、会話状態を維持し、バックエンド システムと統合しながらインテリジェントに応答できるボットを迅速に構築できます。映画で見たドレスの写真を撮り、その写真をお気に入りの衣料品店のボットに送信すると、ボットが画像認識と AI を使用して似たような服装を推奨してくれることを想像してみてください。従業員は、たとえば、残りの休暇日数を尋ねたり、ヘルプデスク チケットを送信したり、交換用のラップトップを注文したりする場合にも、ボットの大きな恩恵を受けることができます。この場合、システムは従業員がどのラップトップを受け取る資格があるかを認識し、注文に基づいてステータスの更新を提供できます。自社の従業員ベースでの実験の方が寛容であることを考えると、開発者はまず「人間を作る」能力を使って、従業員向けのボットを構築し、テストするかもしれません。

3. ボタンが消えた：AIがアプリのインターフェースになった

AI が UI になるということは、アプリケーションやサービスを使用する同期的な要求応答モデルが徐々に消滅することを意味します。スマートフォンは、手に取ってアプリを起動し、何かをするように要求し、最終的に応答を得る必要があるため、依然として「IQが低い」です。新世代のスマート アプリケーションでは、アプリはプッシュ通知を通じてインタラクションを開始します。さらに一歩進んで、AI を使用するアプリケーション、ロボット、または仮想パーソナル アシスタントが、何を、いつ、どこで、どのように行うべきかを認識するようになります。やるだけ。 2つの例:

経費承認プログラムは、あなたの払い戻しパターンを認識し、経費レポートの 99% を自動的に承認し、注意を必要とするまれなレポートのみをあなたに通知します。

分析アプリケーションは、基礎となるデータ、ビジネス ユーザーからの質問、同じデータ セットに関して社内の他のユーザーから寄せられた質問を理解し、アナリストが思いつかなかった新しい洞察を毎日提供します。組織がより多くのデータを収集するにつれて、AI はそのデータに対してどのような質問をすればよいかを理解するのに役立ちます。

開発者は、ビジネス アプリケーションにとって重要なデータは何か、トランザクションを観察して学習する方法は何か、このプロアクティブな AI から最も恩恵を受けるビジネス上の意思決定は何かを把握し、実験を開始する必要があります。組み込み AI は、必要なものを予測し、必要な前も含めて適切なタイミングで適切な媒体を通じて情報と機能を提供し、現在手動​​で行っている多くのタスクを自動化できます。

4. 機械学習は実用的な分野特有の目的で使用される

機械学習は、一般的なプラットフォーム上で事前に構築されたモジュールを利用できることと、大規模な履歴データセットを扱う際の有用性の両方から、データ サイエンスの目立たない領域から主流のアプリケーション開発へと移行しつつあります。機械学習では、最も価値のある洞察は、コンテキスト、以前に何をしたか、どのような質問をしたか、他の人が何をしているか、正常なアクティビティと異常なアクティビティは何かなどから得られます。

しかし、機械学習が効果を発揮するには、分析するデータセットや回答する質問など、ドメイン固有の環境で機械学習を調整およびトレーニングする必要があります。たとえば、セキュリティアナリスト向けに異常なユーザー動作を識別するように設計された機械学習アプリケーションは、工場のロボット操作を最適化するように設計された機械学習アプリケーションとは大きく異なり、マイクロサービスベースのアプリケーションの依存関係マップの設計とは大きく異なる場合があります。

開発者は、ドメイン固有のユースケースをより意識し、収集するデータ、適用する機械学習アルゴリズム、質問する内容を理解する必要があります。大量のトレーニング データが必要になるため、開発者は、ドメイン固有の SaaS またはパッケージ化されたアプリケーションが特定のプロジェクトに適しているかどうかを評価する必要があります。

機械学習を使用すると、開発者は推奨事項を生成したり、結果を予測したり、自動的に決定を下したりするインテリジェントなアプリケーションを構築できます。

5. DevOpsはノーオペレーションへと向かう

開発者が高品質とパフォーマンスを維持しながら新しいアプリケーションや機能を迅速に構築できるようにするために、DevOps が重要であることには誰もが同意します。 DevOps の問題は、開発者が時間の 60% を運用側に費やす必要があり、開発に費やす時間が減ってしまうことです。開発者は、さまざまな継続的インテグレーションおよび継続的デリバリー (CICD) ツールを統合し、これらの統合を維持し、新しいテクノロジーがリリースされるたびに CI/CD ツールチェーンを継続的に更新する必要があります。誰もが CI を実行しますが、CD を実行する人はそれほど多くありません。開発者はクラウド サービスに固執し、2018 年に開発への振り子の戻りを促進するでしょう。これにはさらなる自動化が必要になります。

Docker は、パッケージ化、移植性、およびアジャイルなデプロイメントを実行する機能を提供します。 Docker ライフサイクルの一部として CD が必要です。たとえば、コンテナを使用している場合、コードの変更を Git にコミットすると、ビルドのデフォルトの成果物は、新しいバージョンのコードを含む Docker イメージになります。さらに、イメージは Docker レジストリに自動的にプッシュされ、コンテナがイメージから devtest 環境にデプロイされる必要があります。 QA テストと本番環境への展開の後、コンテナのオーケストレーション、セキュリティ、スケーリングが自動的に処理されます。ビジネス リーダーは開発者に新しいイノベーションをより早く提供するようプレッシャーをかけています。それを可能にするには、DevOps モデルで開発者にもっと多くの時間を与える必要があります。

6. オープンソース・アズ・ア・サービスはオープンソース・イノベーションの消費を加速させる

オープンソース モデルは依然としてイノベーションの最良の原動力の 1 つですが、イノベーションは実装や維持が複雑すぎる場合が多くあります。例えば：

ストリーミング データ/イベント管理プラットフォームが必要な場合は、Kafka を使用します。 Kafka を大規模に使い始めると、追加の Kafka ノードをセットアップして大規模な Kafka クラスターの負荷を分散し、新しいバージョンの Kafka がリリースされたらこれらのクラスターを更新して、サービスを環境の残りの部分と統合する必要があります。

コンテナ オーケストレーションには Kubernetes が必要です。プラットフォームは、Kubernetes クラスターのアップグレード、バックアップ、復元、パッチ処理ではなく、Kubernetes クラスターにサービスを提供する必要があります。 Kubernetes は 6 週間ごとに更新されるため、プラットフォームにはローリング デプロイメントと自己修復機能が必要です。

NoSQL データベースには Cassandra が必要です。 Cassandra クラスターのバックアップ (スケジュールによる増分または完全)、パッチ、クラスタリング、スケーリング、高可用性は、プラットフォームによって管理されることを期待する必要があります。

開発者は、これらのテクノロジーの運用面と管理面を処理しながら、オープンソースからの高速イノベーションをすべて実現するために、クラウド サービスにますます注目するようになるでしょう。

7. サーバーレスコンピューティングアーキテクチャは、本番環境で大規模化する可能性があります

サーバーレス アーキテクチャの魅力は明らかです。何らかのイベントに基づいてコードを実行する必要があるときに、インフラストラクチャがインスタンス化され、コードがデプロイされて実行され、コードの実行中にのみ料金が発生します。フライト、ホテル、レンタカーを予約/キャンセルするための旅行予約機能を構築したいとします。各操作は、Java、Ruby、JavaScript、Python などのさまざまな言語で記述されたサーバーレス関数として構築できます。コードを実行するアプリケーション サーバーは存在しません。代わりに、関数は必要な場合にのみインフラストラクチャ上でインスタンス化され、実行されます。

開発者にとって、サーバーレス関数を連結して複雑なトランザクションを実行することは、これらの関数を連結する方法の説明、分散トランザクションのデバッグ、およびチェーン内の関数を失敗させて補正トランザクションを作成し、不適切な変更をキャンセルする方法の決定など、新たな課題をもたらします。 FN プロジェクトのようなクラウド サービスやオープン ソース ツールを探して、開発者がサーバー機能のプログラミング、構成、デバッグ、ライフサイクル管理を簡単に管理し、ラップトップやオンプレミス サーバー、または任意のクラウドに展開してテストできるようにすることで、成功を目指しましょう。重要なのは、最大限の移植性を提供するサーバーレス プラットフォームを選択することです。

8. コンテナに関する唯一の疑問は、「なぜダメなのか？」です。

コンテナは開発/テスト作業のデフォルトとなり、実稼働アプリケーションでは一般的になります。オープンソースのイノベーションと業界標準によって推進され、セキュリティ、管理性、オーケストレーション、監視、デバッグが継続的に改善されることが期待できます。コンテナは、マイクロサービス アーキテクチャ、クラウドネイティブ アプリケーション、サーバーレス機能、DevOps など、現代の開発を推進する多くのトレンドの構成要素を提供します。

コンテナは、あらゆる場所で意味をなすわけではありません。たとえば、統合 PaaS やモバイル PaaS などのより規範的なクラウド プラットフォームが必要な場合などです。ただし、これらの高レベルのクラウド サービスはコンテナ自体で実行され、例外として扱われます。

さらに、コンテナの採用が広がるにつれて、高価値の商用オンプレミス ソフトウェアに使用されるソフトウェア ライセンス モデルも適応する必要があります。ソフトウェアの価格モデルは、コンテナがインスタンス化され、スケールアップおよびスケールダウンされるときに、「オン」ライセンスと「オフ」ライセンスの両方をサポートする必要があります。

9. ソフトウェアとシステムは自己修復、自己調整、自己管理が可能

開発者と運用チームは、ログ、Web/アプリケーション/データベースのパフォーマンス監視、ユーザー エクスペリエンスの監視と構成から得られるデータに溺れています。さらに、これらの異なるタイプのデータはすべて垂直であるため、問題をデバッグするには多くの人を 1 つの部屋に集める必要があります。さらに、知識移転の問題もあります。開発者は、アプリケーションの入力と出力、設定するしきい値、トランザクションを監視するために使用するサーバー トポロジーなどを説明するのに多くの時間を費やします。

大量のデータ (ログ、パフォーマンス メトリック、ユーザー エクスペリエンス、構成など) を 1 つのリポジトリに集約し、膨大なコンピューティング能力、機械学習、特殊なアルゴリズムを適用することで、クラウドベースのシステム管理サービスではパフォーマンス/ログ/構成の監視が大幅に容易になります。これらのクラウド サービスは、トランザクションを観察することでベースラインを確立し (運用チームがしきい値を管理する必要がなくなります)、トランザクションに関連付けられたサーバー トポロジを自動的に理解します。これらのベースラインに対して異常検出を使用すると、システム管理サービスは、正常な動作から逸脱したときに開発者に自動的に通知し、特定のトランザクションの問題の根本原因を示すことができます。

開発者は、アプリケーションを作成するときにこの自動化をどのように活用するかを検討し、クラウド内のこれらのインテリジェントな管理システム上に自己管理型アプリケーションを作成できるようにする必要があります。

10. 高度に自動化されたセキュリティとコンプライアンスの取り組みが開発者の新たな味方となる

開発者はセキュリティとコンプライアンスを「他の人の仕事」または「コード配信のボトルネック」と考えることが多いですが、機械学習を活用した統合セキュリティおよびコンプライアンス メカニズムの登場により、これらの取り組みを急速な開発ペースに合わせることが可能になります。具体的には、高度に自動化されたサイバー防御が「上流」に導入され、開発中の潜在的なセキュリティ リスクを特定して修正し、「下流」には企業のセキュリティ プロファイルを自動的に調整して、進行中のアプリケーションと環境の変化に対応します (攻撃の特定、脆弱性の修復、継続的なコンプライアンスの評価)。

特定の状況では、このような保護が必要であり、継続的なコンプライアンス評価は GDPR や同様の規制の特徴です。開発者、セキュリティ専門家、エンドユーザーはすべて、DevOps ライフサイクルにおけるセキュリティに対するより厳格で自動化されたアプローチの恩恵を受けることになります。