IA générative pour DevOps : une perspective réaliste
L'IA générative permet aux équipes DevOps d'éliminer les duplications fastidieuses, d'améliorer l'automatisation et de condenser des flux de travail complexes en actions conversationnelles simples.
Le concept d'IA générative décrit des algorithmes d'apprentissage automatique qui créent un nouveau contenu à partir d'une contribution humaine minimale. Le domaine s'est développé rapidement au cours des dernières années, avec des projets tels que l'outil de création de texte ChatGPT et le créateur d'images photoréalistes DALL-E2 qui ont attiré l'attention du grand public.
L’IA générative n’est cependant pas réservée aux créateurs de contenu. Il est également sur le point de transformer les emplois technologiques dans les domaines du génie logiciel et du DevOps. Par exemple, le controversé GitHub Copilot « AI Pair Programmer » incite déjà à repenser la façon dont le code est écrit, mais le potentiel de l’IA collaborative reste sous-exploré dans le monde DevOps.
Dans cet article, nous nous tournons vers un avenir où l'IA générative permettra aux équipes DevOps d'éliminer les duplications fastidieuses, d'améliorer leur automatisation et de compresser des flux de travail complexes en actions conversationnelles simples. Mais avant cela, penchons-nous sur les problèmes DevOps que l’IA générative peut améliorer.
Qu'est-ce qui ne va pas avec DevOps ?
DevOps est loin d’être résolu. Même si l’adoption de la pensée DevOps se développe rapidement d’année en année, le processus repose toujours sur de nombreux outils, un vivier de talents limité et des tâches répétitives qui ne sont que partiellement automatisées.
Les ingénieurs DevOps peuvent consacrer trop de temps à des tâches subalternes qui n'apportent pas de valeur commerciale significative, telles que l'approbation des déploiements, la vérification de l'état de l'environnement et la création de fichiers de configuration de base. Bien qu’inévitables, ces tâches constituent des corvées et ne contribuent pas directement au produit final. Ils sont également d'excellents candidats pour générer un traitement d'IA, et ChatGPT et Copilot (ou le Codex OpenAI qui construit Copilot) pourraient alléger une partie de la pression :
- Ils peuvent remplir des fichiers de configuration et des modèles courants afin que les ingénieurs n'aient pas à le faire. à.
- Ils aident les membres de l'équipe à acquérir de nouvelles compétences en suggérant des extraits contextuellement pertinents. Cela réduit la courbe d’apprentissage en matière de perfectionnement en fournissant une assistance en cas de besoin.
- Ils contribuent à améliorer la maintenabilité en réduisant le temps nécessaire à la création de nouveaux actifs et en les rendant plus cohérents.
Cependant, les systèmes existants sont limités par leur focalisation étroite sur la génération de contenu. Les assistants DevOps seraient encore plus puissants s'ils fournissaient également des expériences basées sur l'intention et l'action pour déclencher des étapes de flux de travail et appliquer des changements d'état. Par exemple, imaginez l'expérience de fusion de la paternité du code de Copilot avec une interface conversationnelle bidirectionnelle :
- Vous pouvez demander à l'assistant de démarrer un processus à la demande, puis vous demander une entrée si nécessaire.
- Les développeurs ont un accès en libre-service à des tâches potentiellement sensibles, telles que la demande de déploiement en production. L'IA effectuera des opérations en toute sécurité en leur nom, minimisant ainsi le risque d'erreurs et créant une barrière de sécurité entre les développeurs et l'infrastructure. L'assistant IA peut également demander un examen aux membres concernés de l'équipe avant de soumettre un programme pour s'assurer que tout le monde est au courant des modifications apportées à la plateforme.
- L'IA peut vous alerter en temps réel lorsque les indicateurs de surveillance changent. Par exemple, lorsqu'un déploiement échoue, qu'une vulnérabilité de sécurité est détectée ou que les performances s'écartent de la ligne de base, vous recevrez un message et aurez la possibilité de prendre des mesures immédiates.
Il est important de noter que ces capacités ne remplacent pas les humains et ne changent pas fondamentalement leur rôle. Cette forme d’IA améliore les capacités d’ingénierie en gérant les mécanismes de sécurité banals et en appliquant de manière cohérente. Cela permet aux équipes DevOps d'effectuer un travail plus significatif en moins de temps.
L'avenir du DevOps et de l'IA générative
L'IA générative a un énorme potentiel pour redéfinir le fonctionnement du DevOps. Voici trois domaines spécifiques dans lesquels il dominera.
1. Détection automatique des défauts et suggestions de mesures correctives
La panne est un problème courant pour les développeurs et le personnel d'exploitation et de maintenance. Il s’agit d’interruptions imprévisibles qui obligent à un changement de contexte immédiat pour prioriser les réparations. Malheureusement, cela peut avoir un impact sur la productivité, ralentir la progression des versions et générer de la frustration lorsque les efforts de remédiation ne se déroulent pas comme prévu.
Les agents IA peuvent détecter les pannes et enquêter sur leurs causes. De plus, ils peuvent combiner leurs analyses avec des capacités génératives et une connaissance des échecs passés pour recommander des actions immédiates dans le contexte des alertes affichées.
Prenons un exemple simple de Kubernetes : un assistant remarque une interruption de production ; se rend compte qu'un pod a été expulsé en raison de contraintes de ressources ; et fournit des boutons d'action pour redémarrer le pod, mettre à l'échelle le cluster ou mettre fin à d'autres ressources abandonnées. Les équipes peuvent résoudre les incidents en un seul clic au lieu de passer des minutes à effectuer un dépannage manuel.
2. Génération et déploiement de code/configuration à la demande
La capacité de l'IA générative à écrire du code offre une valeur incroyable. L’intention conversationnelle en couches le rend plus accessible et plus pratique. Par exemple, vous pouvez demander à un agent IA de configurer un nouveau projet, un nouveau fichier de configuration ou une définition d'état Terraform en écrivant un court message dans l'interface de discussion. L'agent peut vous inviter à fournir une valeur pour n'importe quel espace réservé de modèle, puis informer les parties prenantes appropriées que le contenu est prêt à être révisé.
Une fois approuvée, l'IA peut avertir les développeurs d'origine, lancer le projet dans un environnement réel et fournir un lien pour visualiser le déploiement et commencer à itérer dessus. Cela condense plusieurs séquences différentes en une seule opération en libre-service pour le développeur. Les équipes opérationnelles éliminent le besoin de provisionner manuellement les ressources du projet à l'avance, ce qui leur permet de se concentrer sur leurs tâches.
3. Gestion des flux de travail à la demande et à la demande
L'agent IA de nouvelle génération va au-delà de la simple création de texte et de photos pour prendre en charge des flux de travail entièrement automatisés. Par exemple, l'IA bidirectionnelle vous permet d'utiliser le langage naturel pour lancer des processus tels que le « redémarrage du cluster de production » afin d'interagir avec vos ressources AWS ECS. Il n’est pas nécessaire d’indiquer à l’IA quelle plateforme vous utilisez ni les étapes spécifiques qu’elle doit exécuter. Par exemple, chez Kubiya.ai, nous en avons pleinement profité et offrons désormais à nos clients la possibilité de créer n'importe quel flux de travail DevOps via des invites en langage naturel.
Les modèles linguistiques de ces agents sont formés sur le vocabulaire de votre service cloud. Lorsque vous demandez un redémarrage du cluster, l'agent utilise ses connaissances du domaine pour interpréter vos propos. Par exemple, il sait que votre cluster « de production » s'exécute sur AWS, et il doit récupérer les détails du cluster puis effectuer les appels API corrects pour le redémarrer, comme ecs.UpdateService, etc. Vos mots se traduisent directement en un flux de travail entièrement fonctionnel.
De plus, l'aspect bidirectionnel signifie que l'agent IA devient plus puissant au fil du temps. Une fois que vous commencez à exécuter vos workflows, l'agent est également formé à leur sujet, ce qui lui permet de suggérer des processus similaires pour des scénarios futurs et de décrire ce que fait réellement chaque workflow.
Cette approche permet aux développeurs de faire plus sans impliquer l'équipe opérationnelle. Les agents d'IA servent d'intermédiaire entre les humains et les plates-formes d'infrastructure, permettant à quiconque de lancer des flux de travail de manière cohérente sans compromettre la sécurité. Dans le cadre du flux de travail, l'agent peut vous demander des informations à des moments pertinents, par exemple lorsque vous lui demandez « Ajouter une nouvelle VM », vous demandant de sélectionner un compte cloud, une région de centre de données, un type de machine et un niveau tarifaire.
À retenir : l'IA générative accélère votre travail en toute sécurité
Les cas d'utilisation DevOps pour l'IA générative accélèrent les tâches clés tout en améliorant l'accessibilité, la sécurité et la fiabilité. De plus, ils permettent aux développeurs de se concentrer sur l’avancement de nouvelles fonctionnalités plutôt que d’exécuter de manière répétée des processus familiers et d’attendre les résultats.
Un agent suffisamment intelligent pour entretenir une conversation est comme un autre membre de votre équipe. Ils apportent un soutien aux développeurs qui peuvent ne pas être familiers avec certains outils, tout en garantissant le plein respect des politiques de sécurité et de conformité de l'organisation. Ces mesures de sécurité protègent la base de code et donnent aux développeurs l'assurance qu'ils peuvent lancer n'importe quel flux de travail. De plus, réduire le nombre d’interactions avec les équipes DevOps peut accroître l’efficacité et resserrer les boucles de rétroaction.
L'IA générative n'est pas non plus une expérience statique. Il s'améliore au fil du temps à mesure qu'il analyse les interactions pour déterminer plus précisément l'intention de l'utilisateur. Par exemple, si les suggestions ne sont pas appropriées la première fois que vous tapez votre requête, vous pouvez vous attendre à ce qu'elles s'améliorent à mesure que vous et d'autres répétez la demande et adoptez différentes lignes de conduite.
Les agents IA soutiennent également les connaissances humaines manquantes. Ils permettent aux développeurs de démarrer le processus même s'ils ne connaissent pas certaines étapes, outils ou terminologies impliqués. L’IA peut combler les lacunes pour des questions telles que « Quelles instances ont échoué ? » Sachez que vous faites référence aux pods Kubernetes de votre cluster de production. Ces capacités permettent à l’IA de compléter efficacement les capacités humaines, ce qui en fait une source d’indices de soutien pour les équipes.
Le retour sur investissement est essentiel pour générer de l'IA
Les organisations qui utilisent régulièrement l'IA sont susceptibles d'obtenir les meilleurs résultats car leurs agents seront plus à même d'anticiper leurs besoins. Cependant, il est également important de ne pas en faire trop lorsque vous ajoutez l’IA à votre flux de travail. Les adoptions les plus réussies se concentreront sur la réponse aux besoins réels de l’entreprise. Tout d’abord, évaluez vos processus pour identifier les goulots d’étranglement entre les équipes de développement et d’exploitation, puis utilisez l’IA pour cibler ces cas d’utilisation répétitifs.
La solution que vous choisissez devrait vous aider à atteindre vos KPI, comme résoudre davantage de problèmes ou résoudre les incidents plus rapidement. Sinon, l’agent IA sera sous-utilisé et entravera vos procédures opérationnelles naturelles.
Résumé
L'IA générative est aujourd'hui l'une des technologies qui mûrissent le plus rapidement. En conséquence, ChatGPT a acquis un certain niveau de diffusion à mesure que de plus en plus de chercheurs, de consommateurs et d'organisations ont commencé à explorer ses capacités. DALL-E2 a obtenu des résultats tout aussi impressionnants, avec plus de 1,2 million de développeurs utilisant GitHub Copilot au cours de ses 12 premiers mois.
Les trois technologies démontrent un potentiel révolutionnaire évident, mais ce sont les flux de travail hybrides et très complexes de DevOps qui pourraient en bénéficier le plus à long terme. Par exemple, DevOps combine la création de nouveaux actifs tels que le code et les configurations avec des processus séquentiels tels que les approbations de déploiement et les demandes de révision.
Contrairement aux prédictions de certains étrangers, l'IA générative pour DevOps ira au-delà des simples modèles d'extraits de fichiers ordinaires pour fournir une automatisation complète du flux de travail. À l'aide d'expressions conversationnelles simples, vous pouvez demander à votre agent de prendre des mesures spécifiques en votre nom, depuis le provisionnement de nouvelles ressources cloud jusqu'à la vérification des performances de production. En conséquence, les agents fourniront une boucle de rétroaction bidirectionnelle en temps réel pour améliorer la collaboration, augmenter la productivité et réduire le stress quotidien auquel sont confrontés les développeurs.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées
Jul 15, 2024 pm 12:21 PM
Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
