研究：通过AI与数据挑战解决方案实现DevOps自动化成功

Home AI News CN 研究：通过AI与数据挑战解决方案实现DevOps自动化成功

DevOps自动化中的挑战与机遇：2023年Pulse报告的见解

对DevOps自动化的推动为企业带来了显著的优势，但组织也面临与数据相关的问题，以及利用人工智能（AI）提升成果的迫切需求。根据Dynatrace发布的2023年DevOps自动化Pulse报告，目前56%的端到端DevOps流程实现了自动化，然而，只有38%的组织制定了明确的自动化战略。

报告指出了一些阻碍有效自动化的主要障碍。安全挑战、数据操作困难以及工具链复杂性都成为显著的瓶颈，其中54%的IT公司认为这些是关键问题。Dynatrace首席技术官Bernd Greifeneder指出：“团队深陷数据孤岛和手动操作，迫切需要一种统一的AI驱动的方法，以切实提升创新能力，同时确保软件质量和安全性。”

数据与技能在自动化中的作用

Dynatrace的调研结果表明，自动化与业务改善之间存在明显的正相关。参与调查的企业报告称，软件质量提升了61%，员工满意度提高了58%，部署失败率降低了57%，IT支出减少了55%，这些成就均归功于自动化。

尽管有这些优势，组织在有效利用数据进行自动化决策时仍面临挑战。主要障碍包括数据无法访问（51%）、信息孤岛（43%）以及需要从多个系统汇总数据才能进行分析的繁琐过程（41%）。此外，54%的受访者正在投资于旨在促进工具集成和增强团队协作的平台。不过，平均使用七种以上不同工具的现状表明，工具碎片化依然是一个重大障碍。

技能差距进一步加剧了问题，56%的受访者认为，脚本语言的缺乏是推动自动化进程的主要瓶颈。

利用大型语言模型提升效率

报告中提到的一项有前景的解决方案是使用大型语言模型（LLMs）来减轻工作负担。高达57%的受访者认为，LLMs可以提高生产力并减少手动任务，而48%的人认为这些模型能够支持自动代码生成。LLMs可以利用现有数据集进行微调，以优化特定任务，或者使用专门为特定领域定制的模型，例如Owl — 一种专门用于自动化IT任务的模型。

Dynatrace强调，成功的DevOps团队必须将大型语言模型与数据成熟度相结合，以实现“精准与预测”。正如Greifeneder所言：“数据驱动的自动化是释放创新潜力和满足客户期望的关键，尤其是在云原生应用时代。”与传统AI方法相比，融合预测性、因果性和生成性技术的平台能在解决各种DevOps自动化挑战方面表现出色。

总之，尽管实现先进DevOps自动化的道路充满挑战，但AI的整合与数据策略的改进为提高效率、增强生产力和推动创新提供了令人鼓舞的途径。

人工智能新闻汇总：AI女友应用程序针对泰勒·斯威夫特，提供200万美元使用她形象

Anthropic计划从谷歌及其他投资者筹集20亿美元的资金