將AI整合到DevOps，以增強工作流程自動化-人工智慧-PHP中文網

譯者| 陳峻

審查| 重樓

如果有人跟你說，軟體開發和營運團隊可以毫不費力地協同工作、簡化流程，並能提高工作效率，你一定會想到那是DevOps。現如今，人們則期望它能夠利用人工智慧（AI）的力量，徹底改變每個決策、且能更輕鬆協助教育新入行的DevOps專業人員。從深層來看，無論是自動化日常任務、優化資產分配，或是預測潛在問題，人工智慧完全可以對DevOps的工作流程產生革命性的影響。

將AI整合到DevOps，以增強工作流程自動化

了解。要實現人工智慧在開發運作中的無限機遇，需要考慮提高團隊的溝通效率、減少故障復原時間、增強應變能力。

如何將人工智慧融入DevOps？

DevOps團隊可以從以下方面思考和實施各種開放性的新例子：持續整合和持續交付工具的改進，自動化測試覆蓋率的增加，基礎設施即程式碼的實踐，容器化技術的應用，以及雲端原生架構的採用。

CI/CD管道

人工智慧使企業對其CI/CD流程實現可見性和控制力。利用人工智慧，企業可以快速分析曾經建置、測試和部署的歷史數據，以發現潛在的故障點，並對可能發生的問題進行預測。例如，人工智慧可以分析MySQL的查詢日誌，以找出影響應用程式效能的低效資料庫查詢。

人工智慧驅動的系統也能主動實施預防措施，以最大限度地降低整合和部署階段可能產生的高昂延遲、故障以及中斷風險。此外，人工智慧驅動的系統還能協助優化CI/CD管道中的資源分配，例如利用先進的機器學習模型（也稱為MLOps模型）來預測工作負載和資源需求。從這個意義上說，由人工智慧驅動的系統完全可以動態地調整運算能力、儲存和網路資源的配合。這也確保了團隊能夠有效率地完成建置和部署，而不會浪費寶貴的資源或遇到效能瓶頸。

預測分析

在DevOps中，預測和預防中斷的能力往往意味著成功與災難性失敗之間的差異。針對此，人工智慧驅動的預測分析可以使團隊在潛在中斷面前領先一步。因此，人工智慧驅動的預測分析可以讓團隊更好地應對中斷，並在中斷面前領先一步。

預測分析通常會使用先進的演算法和機器學習模型，來分析各種來源的大量數據，包括：應用程式日誌、系統指標和歷史事件報告等。接著，它們可以在這些數據中識別模式和關聯性，檢測異常並對即將發生的系統故障或效能下降發出預警。從而，團隊就能夠夠在問題升級為全面中斷之前採取積極的預防措施。

此外，人工智慧還能夠持續分析來自各種基礎架構元件（如伺服器、網路和儲存系統）的數據，從而在發生故障或容量受限之前，識別出潛在的硬體故障。

人工智慧驅動的程式碼審查

手動操作往往會出現人為錯誤，而且耗時過長。對此，人工智慧的工具能夠以人類無法企及的速度分析程式碼庫，從而快速、大規模地識別到諸如：效能瓶頸、程式碼不符合最佳實踐或內部標準、安全責任和程式碼風格等潛在的問題。

同時，越來越多的工具能夠為開發人員提供具有操作性的情報、以及建議性的行動方案，從而在解決已發現問題的同時，大幅降低程式碼庫中被引入的缺陷、以及累積的技術債風險。

從更廣泛的意義上來說，如下模型與工具也能夠提出程式碼庫最佳化的措施：

DeepSeek-Coder6.7B/33B Phind-CodeLlama v2
Deepseek 67b
##Deepseek 67b
CodeCapybara

GPT-4-1106

上述模型已在自動化和簡化品質控制等方面取得了良好的效果。透過適當地使用這些解決方案，DevOps團隊可以加快交付週期，降低高昂的部署後問題風險，並能隨時確保全面的品質控制。

自動安全檢查

為了避免漏洞的出現，實作並執行適當的安全措施，往往可能會拖慢正常的開發週期。而人工智慧恰好可以為其簡化流程並提高效率。由人工智慧驅動的自動安全檢查，與傳統的靜態安全解決方案不同，它具有不斷學習和「成長」的能力，可以透過分析惡意行為者使用的模式和技術，來適應各種新出現的威脅。

同時，人工智慧驅動的自動化安全檢查功能，可以無縫地被整合到DevOps工作流程中，從而在軟體開發生命週期（SDLC）的所有階段，實現持續的安全監控和驗證。

回饋與最佳化

雖然自動化各種任務和流程是人工智慧的重要組成部分，然而一個被忽視的功能是，它也能夠改善營運、最終用戶和DevOps團隊之間的回饋迴路。由於擅長篩選大量數據，因此這些工具成為了分析諸如：系統日誌、使用者行為、應用效能指標、以及最終客戶的直接回饋的理想工具。

此外，這些工具還可以使用自然語言處理（NLP,Natural Language Processing）和機器學習來確定模式和趨勢，從而指出應用程式在效能、可用性和整體用戶滿意度等方面需要改進的地方。而且，這種智慧分析使得開發團隊能夠根據真實的使用者需求和系統效能，來確定修改和增強的優先順序，從而使產品能夠更符合使用者的期望，並能按照實際情況運作。

將人工智慧融入DevOps的工具和技術

#人工智慧與DevOps的整合催生了一系列旨在提高自動化和效率的工具。雖然許多組織可能會預設選擇熱門的Google雲端（Google Cloud），但越來越多的DevOps團隊已開始尋找其替代品，以發掘那些由人工智慧賦能的、價格更優惠、且更適合特定工作流的服務。例如，甲骨文和阿里巴巴雲在該領域已越來越受歡迎，其人工智慧功能正在逐月迭代。

程式碼審查和品質保證

我們可以考慮使用DeepCode、Codacy和SonarSource等解決方案，利用機器學習演算法分析程式碼庫，找出潛在的漏洞、程式碼缺陷、以及違反最佳實踐的情況，進而優化現有的程式碼分析和審查流程。而在測試和品質保證方面，Applitools、Functionize和Mabl等人工智慧驅動的工具，可以透過視覺化機器學習技術，自動建立和執行測試。當然，如果你選擇使用本地託管的大模型則可能需要通過專門的培訓，才能使其專門從事DevOps任務（尤其是

CI/CD）。

另外，在基礎架構管理和監控方面，Moogsoft和Dynatrace等人工智慧增強型平台，可以提供先進的異常檢測和根本原因分析服務，透過即時分析運行數據，以預測和預防潛在的系統故障。

針對非技術人員的DevOps工具

##########目前，一個普遍的誤解是，人工智慧驅動的DevOps工具，只是那些擁有龐大資源和複雜軟體開發需求的大型企業的「特供」。其實並非如此。由人工智慧賦能Harness和CodeGuru等解決方案，以其靈活性非常適合較小的團隊。事實上，小型IT團隊往往處於持續滿載運轉的狀態，這意味著他們需要在DevOps任務中，採用各種開源的、可根據其特定需求自訂的人工智慧工具。 ######

將人工智慧融入DevOps的優秀實踐

隨著將人工智慧融入DevOps實踐的勢頭不斷增強，企業可以透過以下優秀實踐，來充分釋放人工智慧驅動的DevOps自動化的全部潛力，以減輕潛在的挑戰：

確定明確的目標和衡量標準：團隊首先要確定透過在DevOps週期中整合人工智慧所要實現的具體目標。無論是提高部署頻率、提升程式碼品質、降低故障率，或是加快事件回應時間，明確的目標有助於團隊選擇適當的人工智慧工具和技術。
從小處入手，不斷迭代：與其嘗試對DevOps流程進行全面改革，不如先確定人工智慧可能帶來直接價值的具體領域。團隊應從試點專案或概念驗證開始，隨著經驗和信心的積累，再逐步擴大人工智慧的整合。
確保數據品質和管理：由於人工智慧演算法嚴重依賴數據，因此團隊必須及時建立健全數據治理實踐。只有切實保障了資料的品質、完整性和可存取性，實施資料清理、驗證和管理等流程才會變得更加容易。

總結

綜上所述，人工智慧已日益融入更廣泛的DevOps框架中，並給DevOps的日常處理方式與效率帶來重大的改變。特別是在CI/CD方面，由AI賦能的預測分析將有助於DevOps團隊在保持領先的同時，不斷改變客戶服務管道和優化資源分配。我們可以毫不誇張地說，企業若想有效地獲得競爭優勢，將人工智慧融入DevOps不僅是一種可能性，更是必然選擇。