التحديات والفرص في أتمتة DevOps: رؤى من تقرير Pulse 2023
تدفع الحاجة لمزيد من أتمتة DevOps المؤسسات لتحقيق مزايا كبيرة، ولكنها تواجه عقبات تتعلق بالبيانات والحاجة الملحّة للاستفادة من الذكاء الاصطناعي (AI) لتحسين النتائج. وفقًا لتقرير Pulse لأتمتة DevOps لعام 2023 من Dynatrace، يُؤتمت 56% فقط من عمليات DevOps الشاملة حاليًا، بينما لم تقم سوى 38% من المؤسسات بوضع استراتيجية واضحة للأتمتة.
يسلط التقرير الضوء على المخاوف التي تعوق الأتمتة الفعالة، حيث تُشكل تحديات الأمان وصعوبة تشغيل البيانات وتعقيد أدوات العمل عقبات كبيرة، حيث أشار 54% من الشركات التقنية إلى أن هذه القضايا حرجة. كما أشار برنهارد غريفنيدر، المدير التقني لشركة Dynatrace، إلى أنه "يتعين على الفرق الخروج من صوامع البيانات والعمليات اليدوية، مما يتطلب نهجًا موحدًا مدعومًا بالذكاء الاصطناعي لتعزيز الابتكار مع الحفاظ على جودة وأمان البرمجيات."
دور البيانات والمهارات في الأتمتة
تظهر نتائج Dynatrace أن الأتمتة مرتبطة بتحسينات ملحوظة في الأعمال. أفاد المشاركون في الاستطلاع بزيادة قدرها 61% في جودة البرمجيات، و58% في رضا الموظفين، و57% في تقليل الأخطاء أثناء النشر، و55% في تقليل نفقات تكنولوجيا المعلومات بفضل الأتمتة.
رغم هذه الفوائد، لا تزال هناك تحديات في استغلال البيانات بشكل فعال في اتخاذ قرارات الأتمتة. تشمل العقبات الرئيسية البيانات غير المتاحة (51%)، المعلومات المحصورة (43%)، والحاجة المرهقة لتجميع البيانات من أنظمة متعددة قبل التحليل (41%). بالإضافة إلى ذلك، يستثمر 54% من المشاركين في منصات تهدف إلى تسهيل تكامل الأدوات وتعزيز التعاون بين الفرق التي تعمل على مشاريع الأتمتة. ومع ذلك، تشير الاعتمادية على متوسط أكثر من سبعة أدوات مختلفة إلى أن التشتت لا يزال عقبة كبيرة.
تزيد فجوات المهارات من تعقيد الأمور، حيث حدد 56% من المشاركين عدم الإلمام بلغات البرمجة النصية كعائق رئيسي أمام تقدم جهود الأتمتة.
استخدام النماذج اللغوية الكبيرة لتحقيق الكفاءة
تتمثل إحدى الحلول الواعدة المُحددة في التقرير في استخدام النماذج اللغوية الكبيرة (LLMs) لتخفيف الضغوط على أعباء العمل. يعتقد 57% من المشاركين أن هذه النماذج يمكن أن تعزز الإنتاجية وتقلل من المهام اليدوية، بينما يرى 48% إمكانية دعمها لتوليد التعليمات البرمجية تلقائيًا. يمكن تحسين LLMs باستخدام مجموعات بيانات موجودة لتحسين مهام معينة أو استخدام نماذج متخصصة مصممة لقطاعات محددة، مثل Owl — نموذج مُكرّس لأتمتة مهام تكنولوجيا المعلومات.
تشدد Dynatrace على أن فرق DevOps الناجحة يجب أن تدمج النماذج اللغوية الكبيرة مع نضج البيانات لتحقيق "الدقة والتنبؤ". كما يؤكد غريفنيدر: "الأتمتة المدفوعة بالبيانات ضرورية لفتح آفاق الابتكار وتلبية توقعات العملاء في عصر التطبيقات السحابية." بخلاف الأساليب التقليدية للذكاء الاصطناعي التي قد تكون محدودة، يمكن للمنصات التي تجمع بين تقنيات التنبؤ والسببية والتوليد أن تتفوق في معالجة تحديات أتمتة DevOps المتنوعة.
باختصار، على الرغم من أن الطريق نحو أتمتة DevOps المتقدمة مليء بالعقبات، فإن دمج الذكاء الاصطناعي واستراتيجيات البيانات المحسّنة يمثل طريقًا واعدًا لتعزيز الكفاءة وزيادة الإنتاجية وتعزيز الابتكار في مشهد الأعمال التنافسي اليوم.