研究:透過人工智慧與數據挑戰解決方案,開啟 DevOps 自動化成功之路

DevOps 自動化的挑戰與機遇:2023 脈搏報告的見解

推動 DevOps 自動化的努力正在為企業帶來顯著的益處,然而,組織卻面臨與數據相關的挑戰及迫切需要利用人工智慧 (AI) 來提升成果。根據 Dynatrace 發佈的 2023 年 DevOps 自動化脈搏報告,目前雖然 56% 的端到端 DevOps 流程已實現自動化,但只有 38% 的組織制定了明確的自動化策略。

報告突顯了妨礙有效自動化的關切。安全挑戰、數據操作困難及工具鏈複雜性各自構成重大障礙,54% 的 IT 公司將這些視為關鍵問題。正如 Dynatrace 的首席技術官 Bernd Greifeneder 所言:“團隊深陷於數據孤島和手動操作,需要一個統一的、以 AI 驅動的方法,才能真正提升創新,同時確保軟體的質量與安全。”

數據與技能在自動化中的角色

Dynatrace 的調查結果顯示,自動化與顯著的業務改善存在相關性。調查參與者報告指出,軟體質量提升了 61%,員工滿意度提高了 58%,部署失敗率降低了 57%,IT 開支因自動化而減少了 55%。

儘管有這些優勢,有效運用數據來支持自動化決策的挑戰依然存在。主要障礙包括數據無法訪問(51%)、信息孤島(43%)以及在分析之前必須從多個系統中彙總數據的繁瑣過程(41%)。此外,54% 的受訪者正投資於旨在促進工具集成和提升自動化項目中團隊協作的平台。然而,依賴平均超過七個不同工具的情況顯示,系統碎片化仍是一大障礙。

技能空缺進一步加劇了問題,56% 的受訪者認為缺乏腳本語言的熟練度是推進自動化的重要障礙。

利用大型語言模型提升效率

報告中提出了一個前景可期的解決方案,即利用大型語言模型 (LLMs) 來減輕工作負擔。高達 57% 的受訪者相信 LLMs 能提升生產力並減少手動任務,48% 則認為這些模型有助於自動代碼生成。LLMs 可以根據現有數據集進行優化特定任務,或者利用針對特定領域量身定制的專業模型,例如專用於 IT 任務自動化的 Owl 模型。

Dynatrace 強調,成功的 DevOps 團隊必須將大型語言模型與數據成熟度相結合,以實現“精確與預測”。如 Greifeneder 所言,“數據驅動的自動化對於解鎖創新及滿足雲原生應用時代的客戶期望至關重要。”與傳統的 AI 方法範圍有限不同,結合預測性、因果性及生成技術的平台能更好地應對各種 DevOps 自動化挑戰。

總結而言,儘管邁向先進的 DevOps 自動化之路面臨重重挑戰,但 AI 整合與改善數據策略的途徑,為提升效率、增加生產力及促進創新開啟了良好的前景。

Most people like

Find AI tools in YBX

Related Articles
Refresh Articles