GenAI助力DevOps，塑造软件工程的未来
自 2022 年以来，GenAI 无疑已成为一种普遍的技术趋势。在本文中，我们将探索 DevOps 中令人兴奋的 GenAI 领域，讨论其潜在优势、局限性、新兴趋势和最佳实践，深入了解 AI 支持的 DevOps 前沿世界，并探索这一强大组合如何重塑软件工程的未来。
DevOps 中的 GenAI 介绍
随着 ChatGPT、Bard 和其他 GenAI 工具的兴起，许多企业现在都在考虑利用 GenAI 的最佳方法来提高效率和节约成本。AI 让我们可以深入研究，提出更多问题，获得更多的信息。
在当今快速发展的技术领域，
DevOps 和 AI 的交汇点正在出现一个新的领域
。技术主管们正在认识到 GenAI 在 DevOps 中的变革潜力，自动化与协作在此交汇，以推动软件工程的创新和效率。
GenAI 与人工智能
人工智能（AI）是一个广义的术语，它
包含一系列广泛的技术和方法，使机器能够模仿人类智能
，完成通常需要人类智能才能完成的任务。它涉及开发能够处理信息、推理、从数据中学习并做出决策或预测的算法和模型。
另一方面，GenAI 是人工智能的一个
特定子集或应用
。它是指使用 AI 技术生成新的原创内容，如图像、文本、音乐、视频甚至编码。GenAI 模型旨在从训练数据中学习模式和结构，然后利用这些知识创建与训练数据相似的新的现实内容。
GenAI 利用深度学习算法，如 Generative Adversarial Networks (GAN) 或 Variational Autoencoders (VAEs)，生成训练数据中不存在的内容。
GenAI 模型
大语言模型（LLM）的显著进步给各个领域带来了变革，包括 Dall-E、MidJourney、Stable Diffusion 和 Lensa 等主流图像生成技术，以及 ChatGPT 的对话式 AI 和 Copilot 的代码生成技术。
大型 Transformer 架构、通过人类反馈进行强化学习（RLHF）、增强嵌入和潜在扩散技术的集成，赋予了这些模型在各种应用中被灵活运用的能力。
而当前的 GenAI 与过去的模型最大的不同之处也被认为是在于它的
运行规模
。
GenAI 如何在 DevOps 中发挥作用？
DevOps 中的 GenAI 将人工智能技术的力量与 DevOps 的原则相结合，使团队能够自动化软件开发和部署流程的各个阶段。从代码生成到测试、监控甚至故障排除，GenAI 为 DevOps 实践带来了
全新的速度、准确性和可扩展性
。
然而，要在这种方法中取得成功，就必须进行缜密的规划，并全面掌握 DevOps 和人工智能的概念。
AI 在 DevOps 中的优势
通过利用 GenAI，企业可以在软件开发生命周期中释放出众多优势。
提高应用程序性能、主动检测和解决操作问题、实时检测威胁、团队间更顺畅的协作以及持续监控代码质量
，这些只是 GenAI 为 DevOps 带来的优势的几个例子。
优化应用程序性能
通过自动执行重复性任务和分析海量数据，人工智能赋予了 DevOps 团队
更快、更精确的决策能力
。
在 DevOps 领域，可以利用人工智能创建预测分析模型，预测系统性能，从而优化应用程序性能。
更快上市
借助自动化和更高的准确性，DevOps 团队可以更快地交付软件，同时保持高质量。这不仅能让企业在竞争激烈的市场中保持领先地位，还能让企业快速响应客户需求，适应快速变化的业务需求。
自动化
AI 驱动的自动化可简化整个 DevOps 流程，包括测试、部署等。
它消除了人工干预测试、调试和代码生成等重复性任务的需要
。工作量的减少使 DevOps 团队能够专注于设计和开发创新功能等高价值活动。
实时检测威胁
在 DevOps 安全领域，人工智能在识别和及时处理威胁和漏洞方面发挥着举足轻重的作用。通过
识别应用程序、服务器和网络中的异常行为模式
，人工智能可以实时检测潜在的安全风险。将安全检查集成到 DevOps 管道中可确保应用程序在部署前得到彻底保护。
快速响应问题
通过实施自然语言处理（NLP）和机器学习，人工智能促进了 DevOps 团队之间的无缝沟通与协作。通过采用 AI 驱动的 chatbots，团队成员可以获得
全天候支持、常见问题协助和知识共享功能
，从而更顺利、更快速地响应问题。
提高质量
DevOps 环境中的 AI 可减少人工错误，最大限度地降低人工干预的必要性。
它加快了开发速度，同时提高了代码质量，最终节省了时间，降低了成本
。通过人工智能进行持续监控，
可确保软件开发保持高效并维持高质量水平
。
AI 在 DevOps 中的局限性
采用 AI 支持的 DevOps 在企业中越来越受欢迎。然而，必须了解与 DevOps 中的生成人工智能相关的限制和挑战。
应仔细考虑实施成本、数据隐私法规以及对熟练人员的需求等因素，以确保成功集成并取得最佳成果。
{{uploading-image-510346.png(uploading...)}}
实施成本
要完全实施人工智能化 DevOps，需要在昂贵的硬件、软件和熟练人员方面进行大量投资。
与 AI 系统相关
的费用给寻求采用人工智能 DevOps 的企业带来了巨大挑战，使许多企业难以承受。
严格的数据隐私法规
实施严格的数据隐私法规
是另一个障碍。AI 驱动的 DevOps 在很大程度上依赖于数据，但在许多司法管辖区，有关个人数据保护的法律禁止公司收集、处理和利用个人数据进行分析。因此，由于严格的隐私法规，AI 支持的 DevOps 在访问和分析数据方面遇到了巨大挑战。
过时的信息
如果考虑到最流行的 GenAI 工具之一 ChatGPT，就不难理解为什么输出的信息并非完美无瑕。ChatCPT 的训练基于静态的文本集合，这就将其知识局限于 2021 年之前的信息。
此外，ChatGPT 缺乏访问实时外部资源（如网络）的能力，因此只能固定存储一年多以前的数据。
次优解决方案
GenAI 在 DevOps 中的一个局限性是
生成不正确或次优解决方案的固有风险
。AI 模型是在历史数据和模式的基础上进行训练的，而历史数据和模式可能无法完全反映真实世界场景的复杂性和背景。
必要的人工监督
虽然 GenAI 为 DevOps 带来了重大进步，但必须承认在此过程中需要熟练的人工监督。尽管 GenAI 具有自动化功能，但人类的专业知识对于有效决策、质量控制和处理复杂场景仍然非常宝贵。
DevOps 专家对于验证 GenAI 生成的输出结果，确保其符合预期目标、行业最佳实践和合规要求至关重要。
无法避免偏差
在 DevOps 的背景下，AI 生成模型可能会受到与训练数据中的偏差有关的限制。DevOps 流程严重依赖 AI 生成的输出来进行决策、自动化和解决问题。但是，如果用于开发这些生成模型的训练数据也包含偏差，这些偏差就会传播并影响 DevOps 工作流程中的关键决策过程。
Siddhartha Allen 就对关于偏差的问题进行过阐述，由于偏见很难量化，如果存在嵌入式偏见，这些偏见就会在构建事物的过程中显现出来，即使是人工智能工具也无法避免。
DevOps 顾问兼联合发言人 Darasimi Oluwaniyi 认为，大型语言模型，如 Open AI 和 Google Bard，使用大量来自互联网的各种数据来训练它们的算法，就意味着它们会从互联网上接收到密集的偏见。
而消除偏见的最佳解决方案在于
提供反馈的人要有足够多样化的背景，以确保在偏见方面覆盖到各个基础
。尽管无法永远完全避免偏见，但至少可以确保通过人工监控尽可能地减少偏见。
需要不断改进
随着新技术、框架和安全威胁的出现，必须不断对其进行调整和微调，以保持其相关性和有效性。这意味着您的团队必须具备相关领域的知识和经验，以评估生成式人工智能模型的性能，并进行必要的调整以优化其结果。
DevOps 中的 GenAI 与 MLops 有何不同？
MLOps 是 Machine Learning Operations 的简称，专注于
在生产环境中部署、管理和监控机器学习模型的运维方面
。它包含一系列实践、工具和工作流程，旨在简化机器学习模型的开发和部署，确保其在实际应用中的扩展性、可靠性和性能。
DevOps 中的 GenAI 特指生成式模型在 DevOps 领域中的应用，而 MLops 则不同，它超越了生成式模型的使用范围。虽然 MLops 可以将 GenAI 技术用于数据增强或合成数据生成等任务，但其范围要广泛得多。
MLops 涉及机器学习模型的整个生命周期，包括数据准备、模型训练、验证、部署以及持续监控和维护。它侧重于实现数据科学家、ML 工程师和运维团队之间的高效协作，以确保将 ML 模型无缝集成到生产系统中。