人工智慧將如何增強平台工程和DevEx?
作者 | Heather Joslyn
請將以下內容重新寫成中文: 星璇
對於許多採用DevOps的公司來說,透過提高開發人員生產力來擴展規模和創造價值是一個巨大的挑戰。在本文中,我們討論了平台工程中最新的人工智慧驅動方法。
1、AI驅動的DevOps平台
Digital.ai是一家業界領先的由AI驅動的科技公司,致力於幫助全球企業實現數位轉型。它的客戶包括大型企業:金融機構、保險組織和遊戲公司。他們面臨的最大問題之一是就是規模。
今天我要為大家揭示一下AI驅動的公司中的DevOps平台是如何實現的
當然,根據Digital.ai價值流交付平台和DevOps工程副總裁、DevOps總經理Wing To在外媒一檔播客中的說法,他們都在採用敏捷DevOps等現代開發方法。然而,在大型組織中(如數千名開發人員),他們真正面臨的挑戰是如何擴大規模以獲得快速交付的好處,並與最終用戶保持密切聯繫,同時仍然能夠在大規模上實現這一點
本文將跟諸位探討一下平台工程的最新進展,以及人工智慧如何幫助增強自動化。
Wing To表示:「當然,他們都在使用敏捷的DevOps等現代開發方法。」 Digital.ai價值流交付平台和DevOps工程副總裁補充道
在大型組織中,特別是成千上萬的開發人員組織起來時,我們面臨的真正挑戰是如何在擴大規模的同時實現快速交付,並與最終用戶保持親密關係,然後仍然能夠大規模實現這一目標。在本期《創客》中,TNS的To和Heather Joslyn討論了平台工程的最新進展,以及人工智慧如何幫助增強自動化
2、提高生產力,價值在哪裡?
除了推廣DevOps實踐所面臨的挑戰,還有一個問題需要考慮:如果這些實踐能夠幫助開發人員編寫更多的程式碼並頻繁地發布,這是否是一件好事呢?
他補充說,還有一個新的挑戰。 「我相信每個人都在討論人工智慧輔助或人工智慧增強的開發,特別是在大型企業中,他們看到了提高生產力的潛力。但是,如何在整個組織中實現這一點呢?"
如果一家公司有高生產力的開發人員,但在軟體建置後會發生什麼方面卻無法與他們匹敵? To說:「眾所周知,交付程式碼不僅僅是編寫程式碼。之後還有很多過程。」「後續也需要跟上同樣的節奏。」
3、將自動化與人工智慧結合
平台工程是一套實踐和工具,旨在讓開發人員不必過於擔心Kubernetes和基礎設施,也不必讓營運工程師在為這些開發人員服務時承擔重複的任務。 To說:「隨著團隊規模的擴大,我們面臨的挑戰是,新的初級開發人員(和)中級開發人員的技能不太好,我們不希望我們的高級開發人員把所有時間都花在基礎設施上。」
數位化.ai專注於將人工智慧納入自動化,以幫助開發人員創建和交付程式碼,並幫助組織從軟體生產中獲得更多商業價值。那麼,我們要如何進行擴充呢?我們如何安排事情,以實現可重複使用的通用編排?
Digital.ai 目前的工作包括:應用範本來捕捉和複製組織的軟體交付過程中難以改變的部分。此外,他們也使用人工智慧技術,幫助快速自動設定開發者環境,並為開發者創建工具
根據我的理解,這句話的意思是Digital.ai正在努力完善他們的「內部開發者平台”,並且他們正在使用各種不同的工具來實現這個目標,例如創建管道、執行單一任務或進行設定
以上是人工智慧將如何增強平台工程和DevEx?的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

AIxiv專欄是本站發布學術、技術內容的欄位。過去數年,本站AIxiv專欄接收通報了2,000多篇內容,涵蓋全球各大專院校與企業的頂尖實驗室,有效促進了學術交流與傳播。如果您有優秀的工作想要分享,歡迎投稿或聯絡報道。投稿信箱:liyazhou@jiqizhixin.com;zhaoyunfeng@jiqizhixin.com這篇論文的作者皆來自伊利諾大學香檳分校(UIUC)張令明老師團隊,包括:StevenXia,四年級博士生,研究方向是基於AI大模型的自動代碼修復;鄧茵琳,四年級博士生,研究方

如果AI模型給的答案一點也看不懂,你敢用嗎?隨著機器學習系統在更重要的領域中得到應用,證明為什麼我們可以信任它們的輸出,並明確何時不應信任它們,變得越來越重要。獲得對複雜系統輸出結果信任的一個可行方法是,要求系統對其輸出產生一種解釋,這種解釋對人類或另一個受信任的系統來說是可讀的,即可以完全理解以至於任何可能的錯誤都可以被發現。例如,為了建立對司法系統的信任,我們要求法院提供清晰易讀的書面意見,解釋並支持其決策。對於大型語言模型來說,我們也可以採用類似的方法。不過,在採用這種方法時,確保語言模型生

把因果鏈展示給LLM,它就能學會公理。 AI已經在幫助數學家和科學家做研究了,例如著名數學家陶哲軒就曾多次分享自己借助GPT等AI工具研究探索的經驗。 AI要在這些領域大戰拳腳,強大可靠的因果推理能力是不可或缺的。本文要介紹的研究發現:在小圖譜的因果傳遞性公理演示上訓練的Transformer模型可以泛化用於大圖譜的傳遞性公理。也就是說,如果讓Transformer學會執行簡單的因果推理,就可能用於更複雜的因果推理。該團隊提出的公理訓練框架是一種基於被動資料來學習因果推理的新範式,只有演示

乾杯!當論文討論細緻到詞句,是什麼體驗?最近,史丹佛大學的學生針對arXiv論文創建了一個開放討論論壇——alphaXiv,可以直接在任何arXiv論文之上發布問題和評論。網站連結:https://alphaxiv.org/其實不需要專門訪問這個網站,只需將任何URL中的arXiv更改為alphaXiv就可以直接在alphaXiv論壇上打開相應論文:可以精準定位到論文中的段落、句子:右側討論區,使用者可以發表問題詢問作者論文想法、細節,例如:也可以針對論文內容發表評論,例如:「給出至

最近,被稱為千禧年七大難題之一的黎曼猜想迎來了新突破。黎曼猜想是數學中一個非常重要的未解決問題,與素數分佈的精確性質有關(素數是那些只能被1和自身整除的數字,它們在數論中扮演著基礎性的角色)。在當今的數學文獻中,已有超過一千個數學命題以黎曼猜想(或其推廣形式)的成立為前提。也就是說,黎曼猜想及其推廣形式一旦被證明,這一千多個命題將被確立為定理,對數學領域產生深遠的影響;而如果黎曼猜想被證明是錯誤的,那麼這些命題中的一部分也將隨之失去其有效性。新的突破來自MIT數學教授LarryGuth和牛津大學

編輯|ScienceAI問答(QA)資料集在推動自然語言處理(NLP)研究中發揮著至關重要的作用。高品質QA資料集不僅可以用於微調模型,也可以有效評估大語言模型(LLM)的能力,尤其是針對科學知識的理解和推理能力。儘管目前已有許多科學QA數據集,涵蓋了醫學、化學、生物等領域,但這些數據集仍有一些不足之處。其一,資料形式較為單一,大多數為多項選擇題(multiple-choicequestions),它們易於進行評估,但限制了模型的答案選擇範圍,無法充分測試模型的科學問題解答能力。相比之下,開放式問答

AIxiv专栏是本站发布学术、技术内容的栏目。过去数年,本站AIxiv专栏接收报道了2000多篇内容,覆盖全球各大高校与企业的顶级实验室,有效促进了学术交流与传播。如果您有优秀的工作想要分享,欢迎投稿或者联系报道。投稿邮箱:liyazhou@jiqizhixin.com;zhaoyunfeng@jiqizhixin.com。引言近年来,多模态大型语言模型(MLLM)在各个领域的应用取得了显著的成功。然而,作为许多下游任务的基础模型,当前的MLLM由众所周知的Transformer网络构成,这种网

小模型崛起了。上個月,Meta發布了Llama3.1系列模型,其中包括Meta迄今為止最大的405B模型,以及兩個較小的模型,參數量分別為700億和80億。 Llama3.1被認為是引領了開源新時代。然而,新一代的模型雖然效能強大,但部署時仍需要大量運算資源。因此,業界出現了另一種趨勢,即開發小型語言模型(SLM),這種模型在許多語言任務中表現足夠出色,部署起來也非常便宜。最近,英偉達研究表明,結構化權重剪枝與知識蒸餾相結合,可以從初始較大的模型中逐步獲得較小的語言模型。圖靈獎得主、Meta首席A
