DevOps를 위한 생성적 AI: 현실적인 관점

Generative AI를 통해 DevOps 팀은 지루한 중복을 제거하고 자동화를 강화하며 복잡한 워크플로를 간단한 대화 작업으로 압축할 수 있습니다.

생성 AI의 개념은 최소한의 인간 입력으로 새로운 콘텐츠를 생성하는 기계 학습 알고리즘을 설명합니다. 이 분야는 텍스트 작성 도구 ChatGPT 및 사실적인 이미지 생성기 DALL-E2와 같은 프로젝트가 주류의 관심을 끌면서 지난 몇 년 동안 빠르게 성장했습니다.

생성 AI는 콘텐츠 제작자만을 위한 것이 아닙니다. 또한 소프트웨어 엔지니어링 및 DevOps 분야의 기술 작업을 변화시킬 준비가 되어 있습니다. 예를 들어, 논란의 여지가 있는 "AI 쌍 프로그래머" GitHub Copilot은 이미 코드 작성 방법에 대한 재고를 촉구하고 있지만 DevOps 세계에서는 협업 AI의 잠재력이 아직 충분히 탐구되지 않은 상태입니다.

이 기사에서는 생성 AI를 통해 DevOps 팀이 지루한 중복을 제거하고 자동화를 강화하며 복잡한 워크플로를 간단한 대화 작업으로 압축할 수 있는 미래를 살펴봅니다. 하지만 그 전에 생성 AI가 개선할 수 있는 DevOps 문제를 살펴보겠습니다.

DevOps에 무슨 문제가 있나요?

DevOps는 아직 해결되지 않았습니다. DevOps 사고 방식의 채택이 해마다 빠르게 증가하고 있지만 프로세스는 여전히 많은 도구, 제한된 인재 풀, 부분적으로만 자동화된 반복 작업에 의존하고 있습니다.

DevOps 엔지니어는 배포 승인, 환경 상태 확인, 기본 구성 파일 구축 등 중요한 비즈니스 가치에 기여하지 않는 사소한 작업에 너무 많은 시간을 소비할 수 있습니다. 불가피하더라도 이러한 작업은 집안일이며 최종 제품에 직접적으로 기여하지 않습니다. 또한 AI 처리 생성을 위한 훌륭한 후보이며 ChatGPT와 Copilot(또는 Copilot을 구축하는 OpenAI Codex) 모두 부담을 어느 정도 줄일 수 있습니다.

• 공통 구성 파일과 템플릿을 채울 수 있으므로 엔지니어가 필요하지 않습니다. 에게.
• 상황에 맞게 관련 있는 스니펫을 제안하여 팀원이 새로운 기술을 습득하도록 돕습니다. 이는 필요할 때 지원을 제공함으로써 기술 향상에 대한 학습 곡선을 줄입니다.
• 새로운 자산을 구축하는 데 필요한 시간을 줄이고 일관성을 높여 유지 관리성을 향상시키는 데 도움이 됩니다.

그러나 기존 시스템은 콘텐츠 생성에만 초점을 맞추는 데 한계가 있습니다. DevOps 어시스턴트는 워크플로 단계를 트리거하고 상태 변경을 적용하기 위한 의도 기반 및 작업 기반 경험도 제공한다면 더욱 강력해질 것입니다. 예를 들어 Copilot의 코드 작성을 양방향 대화 인터페이스와 병합하는 경험을 상상해 보십시오.

• 어시스턴트에게 요청 시 프로세스를 시작하도록 요청한 다음 필요할 때 입력하라는 메시지를 표시할 수 있습니다.
• 개발자는 프로덕션 배포 요청과 같이 잠재적으로 민감한 작업에 셀프 서비스 액세스 권한을 갖습니다. AI는 그들을 대신하여 안전하게 작업을 수행하여 오류 위험을 최소화하고 개발자와 인프라 사이에 보안 장벽을 만듭니다. AI 도우미는 모든 사람이 플랫폼 변경 사항을 이해할 수 있도록 프로그램을 제출하기 전에 관련 팀원에게 검토를 요청할 수도 있습니다.
• AI는 모니터링 지표가 변경되면 실시간으로 알림을 보낼 수 있습니다. 예를 들어 배포가 실패하거나, 보안 취약성이 감지되거나, 성능이 기준에서 벗어나는 경우 메시지를 받고 즉각적인 조치를 취할 수 있는 옵션이 제공됩니다.

중요하게, 이러한 능력은 인간을 대체하거나 근본적으로 역할을 바꾸지 않습니다. 이러한 형태의 AI는 일상적인 작업을 처리하고 지속적으로 안전 메커니즘을 시행함으로써 엔지니어링 능력을 향상시킵니다. 이를 통해 DevOps 팀은 더 짧은 시간에 더 의미 있는 작업을 완료할 수 있습니다.

DevOps 및 생성적 AI의 미래

Generative AI는 DevOps 작동 방식을 재정의할 수 있는 엄청난 잠재력을 가지고 있습니다. 다음은 그것이 지배할 세 가지 특정 영역입니다.

1. 자동 오류 감지 및 권장 해결 방법

실패는 개발자와 운영 및 유지 관리 담당자에게 일반적인 문제입니다. 즉각적인 컨텍스트 전환을 통해 복구 우선순위를 지정하는 예측할 수 없는 중단입니다. 불행하게도 이는 생산성에 영향을 미치고 릴리스 진행 속도를 늦추며 수정 노력이 계획대로 진행되지 않을 때 좌절감을 초래할 수 있습니다.

AI 에이전트는 실패를 감지하고 원인을 조사할 수 있습니다. 또한 분석을 생성 기능 및 과거 실패에 대한 지식과 결합하여 표시된 경고의 맥락에서 즉각적인 조치를 권장할 수 있습니다.

간단한 Kubernetes 예를 생각해 보세요. 어시스턴트는 리소스 제약으로 인해 Pod가 제거되었음을 인식하고 Pod를 다시 시작하거나 클러스터를 확장하거나 기타 버려진 리소스를 종료하는 작업 버튼을 제공합니다. 팀은 수동으로 문제를 해결하는 데 몇 분을 소비하는 대신 한 번의 클릭으로 인시던트를 해결할 수 있습니다.

2. 주문형 코드/구성 생성 및 배포

Generative AI의 코드 작성 능력은 놀라운 가치를 제공합니다. 계층화된 대화 의도를 통해 더 쉽게 접근하고 편리하게 사용할 수 있습니다. 예를 들어 채팅 인터페이스에 짧은 메시지를 작성하여 AI 에이전트에게 새 프로젝트, 구성 파일 또는 Terraform 상태 정의를 설정하도록 요청할 수 있습니다. 에이전트는 템플릿 자리 표시자에 대한 값을 제공하라는 메시지를 표시한 다음 해당 이해관계자에게 콘텐츠를 검토할 준비가 되었음을 알릴 수 있습니다.

승인되면 AI는 원래 개발자에게 알리고 실제 환경에서 프로젝트를 시작하며 배포를 보고 반복을 시작할 수 있는 링크를 제공할 수 있습니다. 이는 여러 가지 다른 시퀀스를 개발자를 위한 하나의 셀프 서비스 작업으로 압축합니다. 운영팀은 프로젝트 리소스를 미리 수동으로 프로비저닝할 필요가 없으므로 업무에 집중할 수 있습니다.

3. 프롬프트 기반 주문형 워크플로 관리

차세대 AI 에이전트는 단순한 텍스트 및 사진 생성을 넘어 완전히 자동화된 프롬프트 기반 워크플로를 지원합니다. 예를 들어 양방향 AI를 사용하면 자연어를 사용하여 "프로덕션 클러스터 다시 시작"과 같은 프로세스를 시작하여 AWS ECS 리소스와 상호 작용할 수 있습니다. 어떤 플랫폼을 사용하고 있는지, 어떤 단계를 실행해야 하는지 AI에게 알려줄 필요가 없습니다. 예를 들어, Kubiya.ai에서는 이를 최대한 활용하여 고객에게 자연어 프롬프트를 통해 DevOps 워크플로를 생성할 수 있는 옵션을 제공합니다.

이러한 에이전트의 언어 모델은 클라우드 서비스의 어휘에 대해 훈련되었습니다. 클러스터 재시작을 요청하면 에이전트는 해당 도메인 지식을 사용하여 사용자의 말을 해석합니다. 예를 들어, "프로덕션" 클러스터가 AWS에서 실행되고 있다는 것을 알고 클러스터의 세부 정보를 검색한 다음 이를 다시 시작하기 위해 ecs.UpdateService 등과 같은 올바른 API 호출을 수행해야 합니다. 귀하의 말은 완전한 기능을 갖춘 워크플로로 직접 변환됩니다.

또한 양방향 측면은 AI 에이전트가 시간이 지남에 따라 더욱 강력해진다는 것을 의미합니다. 워크플로 실행을 시작하면 에이전트도 그에 대한 교육을 받아 향후 시나리오에 대해 유사한 프로세스를 제안하고 각 워크플로가 실제로 수행하는 작업을 설명할 수 있습니다.

이 접근 방식을 통해 개발자는 운영 팀의 개입 없이 더 많은 작업을 수행할 수 있습니다. AI 에이전트는 인간과 인프라 플랫폼 사이를 중재하여 누구나 보안을 침해하지 않고 일관되게 워크플로를 시작할 수 있도록 합니다. 워크플로의 일부로 에이전트는 사용자가 "새 VM 추가"를 요청할 때와 같이 관련 지점에서 입력을 요청하여 클라우드 계정, 데이터 센터 지역, 머신 유형 및 가격 책정 계층을 선택하도록 요청할 수 있습니다.

주요 사항: 생성 AI는 작업을 안전하게 가속화합니다.

생성 AI에 대한 DevOps 사용 사례는 주요 작업을 가속화하는 동시에 접근성, 보안 및 안정성을 향상시킵니다. 또한 개발자는 익숙한 프로세스를 반복적으로 실행하고 결과를 기다리는 대신 새로운 기능을 발전시키는 데 집중할 수 있습니다.

대화를 지속할 만큼 똑똑한 상담원은 팀의 또 다른 구성원과 같습니다. 특정 도구에 익숙하지 않은 개발자에게 지원을 제공하는 동시에 조직의 보안 및 규정 준수 정책을 완전히 준수하도록 보장합니다. 이러한 보안 조치는 코드 베이스를 보호하고 개발자에게 어떤 워크플로도 시작할 수 있다는 확신을 줍니다. 또한 DevOps 팀과의 상호 작용 횟수를 줄이면 효율성이 향상되고 피드백 루프가 강화될 수 있습니다.

제너레이티브 AI도 정적 경험이 아닙니다. 시간이 지남에 따라 상호 작용을 분석하여 사용자 의도를 보다 정확하게 파악하므로 성능이 더욱 향상됩니다. 예를 들어, 처음 검색어를 입력할 때 제안 사항이 적절하지 않은 경우 귀하와 다른 사람들이 요청을 반복하고 다른 조치를 취하면 제안 사항이 개선될 것으로 기대할 수 있습니다.

AI 에이전트도 누락된 인간 지식을 지원합니다. 이를 통해 개발자는 관련된 일부 단계, 도구 또는 용어에 익숙하지 않은 경우에도 프로세스를 시작할 수 있습니다. AI는 "어떤 인스턴스가 실패했습니까?"와 같은 질문에 대한 공백을 채울 수 있습니다. 프로덕션 클러스터의 Kubernetes Pod를 참조하고 있는지 알아보세요. 이러한 능력을 통해 AI는 인간의 능력을 효과적으로 보완하여 팀을 위한 지원 단서의 원천이 됩니다.

ROI는 AI 생성에 매우 중요합니다.

AI를 정기적으로 사용하는 조직은 에이전트가 요구 사항을 더 잘 예측할 수 있기 때문에 최상의 결과를 얻을 가능성이 높습니다. 그러나 워크플로우에 AI를 추가할 때 과용하지 않는 것도 중요합니다. 가장 성공적인 채택은 실제 비즈니스 요구 사항을 해결하는 데 중점을 둘 것입니다. 먼저 프로세스를 평가하여 개발팀과 운영팀 간의 병목 현상을 식별한 다음 AI를 사용하여 반복되는 사용 사례를 대상으로 삼습니다.

선택한 솔루션은 더 많은 문제를 종결하거나 사건을 더 빠르게 해결하는 등 KPI를 달성하는 데 도움이 되어야 합니다. 그렇지 않으면 AI 에이전트의 활용도가 낮아져 자연스러운 운영 절차를 방해하게 됩니다.

요약

제너레이티브 AI는 오늘날 가장 빠르게 성숙하는 기술 중 하나입니다. 결과적으로 ChatGPT는 더 많은 연구자, 소비자 및 조직이 해당 기능을 탐색하기 시작하면서 일정 수준의 확산을 얻었습니다. DALL-E2는 첫 12개월 동안 120만 명 이상의 개발자가 GitHub Copilot을 사용하여 비슷한 인상적인 결과를 달성했습니다.

세 가지 기술 모두 분명 혁신적인 잠재력을 보여주지만 장기적으로 가장 큰 이점을 얻을 수 있는 것은 DevOps의 하이브리드 및 고도로 복잡한 워크플로입니다. 예를 들어 DevOps는 코드 및 구성과 같은 새로운 자산 생성을 배포 승인 및 검토 요청과 같은 순차적 프로세스와 결합합니다.

일부 외부인의 예측과는 달리 DevOps용 생성 AI는 일반적인 파일 조각의 단순한 템플릿을 넘어 완전한 워크플로 자동화를 제공합니다. 간단한 대화 문구를 사용하여 에이전트에게 새로운 클라우드 리소스 프로비저닝부터 프로덕션 성능 확인까지 특정 작업을 수행하도록 지시할 수 있습니다. 결과적으로 상담원은 실시간 양방향 피드백 루프를 제공하여 협업을 개선하고 생산성을 높이며 개발자가 직면하는 일일 스트레스를 줄일 수 있습니다.

위 내용은 DevOps를 위한 생성적 AI: 현실적인 관점의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!