AI は DevOps をどのように変えるのでしょうか?

DevOps は、コードの品質を損なうことなく、ソフトウェア開発プロセスを加速し、顧客に価値をより早く提供することを目指しています。従来の DevOps は、過去 10 年間にわたって長い開発サイクルを経てきました。今日、企業組織は DevOps の原則に従って CI/CD パイプラインを構築し始めています。しかし、ほとんどの場合、チームは依然として手動プロセスと人間主導の自動化の組み合わせに依存しています。明らかに、このレベルの最適化は、理想的または理論的な限界には達していません。

[[360131]]

最近、DevOps の理論的な高みは、AI と ML という 2 つの技術的な力を歓迎しています。関連ツールが統合され始めており、従来の DevOps ツール スタックに多大なエネルギーが注ぎ込まれています。意思決定プロセスの改善から運用とコード品質の自動化の強化まで、DevOps は AI (人工知能) と ML (機械学習) の二重のサポートにより、より明るい開発の展望をもたらしました。以下では、いくつかのハイライトについて説明します。

まず、自動コードレビューです。ソフトウェア開発の初期段階では、コーディング自体から始まり、AI および ML ツールは、表現豊かにキュレーションされたガイド付きデータセットに基づいて、自動コードレビューとコード分析をすでに実行できます (つまり、望ましいマシンの動作と応答に基づいて、機械学習アルゴリズムに入力データを提供します)。これらすべてにより、コード品質管理における人間の作業負荷が大幅に軽減されます。

さらに、コード管理およびコラボレーション ツールを使用すると、ユーザーはレビュー作業負荷をチーム メンバー間で自動的に分散できます。このプロセスにより、このようなアルゴリズムはコードの欠陥、セキュリティの問題、コード品質の問題を早期に検出できるようになります。これらのツールは、コードレビューにおけるノイズも削減します。自動コードレビューは、欠陥の検出に加えて、コーディングとセキュリティの標準を強制する役割も担います。

2 番目は、自動コード分析ツールです。コード分​​析ツールや改善ツールなど、AI と ML を搭載したインテリジェント ツールは、数百万行のコードを含むレポートから学習してコードの意図を理解し、開発者による変更を記録できます。これに基づいて、これらのインテリジェント ツールは分析を通じてコードの各行に対する推奨事項を作成できます。

他のソリューションでは、さまざまな観点からコードを分析します。機械学習ツールは、オープンソース プロジェクトの何百万行ものコードを分析した後、実行に最もコストがかかるコード行を特定し、アプリケーションの応答時間に悪影響を与える前に回避するなど、効果的なパフォーマンス チューニングの洞察を提供できます。これらのツールは、リソース リーク、潜在的な同時実行競合、無駄な CPU サイクルなど、コード内の問題を見つけることができます。さらに重要なのは、これらのツールは、コードレビュー段階とアプリケーションパフォーマンス監視段階で CI/CD パイプラインとスムーズに統合できることです。

新しい機能をコーディングした後、開発者は AI と ML を活用した自動ユニット テストの開発を検討できます。開発スプリントフェーズでは、このインテリジェントなユニット テスト ツールにより、開発者の時間が約 20% 節約されます。

3番目は、自己修復テストです。ビルドと統合作業が完了したら、次のフェーズでは機能テストと非機能テストを実行します。この段階では、AI と ML を使用してコードを作成し、自己修復テスト/メンテナンスを実行することが、DevOps 分野で現実のものとなっています。

もちろん、テストの自動化自体が大きなボトルネックとなり、多くのプロジェクトが頻繁に遅延する原因となる可能性があります。テスト プロセスは、信頼性が低く不安定な自動化プロセスによって遅くなります。これは、テスト対象のアプリケーションのさまざまな要素やテスト プロセス内での急速な変更によって発生することがよくあります。インテリジェント テクノロジーの出現により、これらの変化を識別し、テスト方法を即座に調整できるようになり、テスト プロセスの安定性と信頼性が向上します。

4番目は、ローコード/ノーコードツールです。モバイル アプリケーションや Web アプリケーションの場合、これまでは、安定した信頼性の高いコード テスト スキルを習得するために、関連する人材をトレーニングするために膨大なリソースを投資する必要がありました。この点で、AI および ML テスト ツールは、アプリケーション プロセス、画面コンテンツ、要素を完全に学習し、最終的にはローコードまたはノーコード方式でテストを自動的に生成できます。これらのツールは、テストの各ラウンドごとに自己改善し、テストの品質を向上させることもできます。

ローコードまたはノーコード ツールを使用すると、チーム メンバーが自動テストの開発に参加できます。完了すると、開発者は多くの時間を節約し、他の革新的な機能の開発など、より緊急性の高い他のタスクにエネルギーを注ぐことができます。

5番目は、ロボティックプロセスオートメーションです。 RPA (ロボティック プロセス オートメーション) は、AI と ML を使用した自動テストを新たなレベルに引き上げます。このようなテクノロジーは、これまでは手動で時間がかかり、エラーが発生しやすく、自動化が困難だった大規模な組織のさまざまなプロセスを自動化する可能性があります。

6番目は、影響分析ツールをテストします。テスト実行が完了したら、AI および ML テスト影響分析 (TIA) ツールが引き継ぎ、意思決定者がどのテストを後続のバージョンで継続する必要があるか、どのテストを後続のプロセスで削除できるかを判断できるようにします。さらに、同じテスト カテゴリ内で、AI および ML アルゴリズムは、ガイド付きテスト データに基づいて障害の根本原因を特定できるため、平均解決時間 (MTTR) が大幅に短縮されます。

7番目は、AIOpsです。 DevOps プロセスの後半の段階、つまりコードが本番環境にデプロイされる前後では、AI と ML が AIOps の開発をリードする新興テクノロジーになっています。完全な AIOps ソリューションは、インテリジェントな APM (アプリケーション パフォーマンス監視) をカバーするだけでなく、ITIM (IT インフラストラクチャ監視) および ITSM (IT サービス監視) メカニズムも導入します。これらを組み合わせることで、ビッグデータ上で実行でき、高度な最新ソフトウェア アーキテクチャ (マイクロサービス、クラウド アーキテクチャなど) で機能する、生産と運用に関する洞察分析の包括的なレイヤーが形成されます。

AI を活用した運用機能により、チームは運用データに対する完全な制御と可視性を維持しながら、アプリケーションのサービス健全性の判断に集中できます。

AI を活用した運用機能により、チームは運用データに対する完全な制御と可視性を維持しながら、アプリケーションのサービス健全性の判断に集中できます。この基盤を基に、DevOps はリアルタイムの自動インシデント管理を使用して MTTR をさらに短縮できます。 AI と ML は、実稼働レベルのアプリケーションに対して、ログの観測可能性、傾向の集約、および対応する予測結果を提供する役割を担います。

AIOps ポートフォリオのこれらのツールを使用すると、チームはサービスのダウンタイム (予測アラート) を削減および防止し、トラブルシューティングを高速化し、大規模なログ ファイルを迅速に分析して、問題の根本原因とセキュリティ、ネットワーク、サーバーなどのカテゴリを特定できます。

要約する

DevOps と人間工学の探求がなくなることはありませんが、探求の過程で、現在の結果を最大限に活用して、以前は自動化や保守が難しく、エラーが発生しやすかったリンクを最適化および高速化することができます。

AI と ML はこれらの課題に対する優れたソリューションであり、意思決定者もさまざまな問題を分析することでこのようなツールから大きな価値を得ることができます。もちろん、この期待値は、これらのソリューションが既存のプロセスやツールとシームレスに統合されている場合にのみ達成できます。 AI と ML を標準の DevOps ツール スタックに簡単に統合できない場合、プロジェクトは夢物語となり、最終的には従来のソフトウェア開発手法に戻ってしまいます。