Хроносфера спонсировала этот пост.
Примечание редактора: эта статья является отрывок из программы Manning Range Access (MEAP) Эффективной платформы Аджая Чанкрамата, Ника Ченевета, Брайана Оливера и Шона Альвареса. В MEAP вы читаете главу книги по главе, пока она написана, и получаете финальную электронную книгу, как только она закончится.
Учитывая огромный рост интереса и инноваций в отношении моделей крупных языков (LLMS) и других форм генеративного ИИ (Genai), важно отметить, как это влияет на подходы для инженерии платформы и опыта строительной платформы.
Как ИИ может помочь
Мы считаем целью ИИ как дополнение и дополнение предлагаемых целей инженерии платформы (сокращение трения разработчика и улучшение опыта разработчика). ИИ помогает платформным инженерным решениям в масштабе с повышенной юзабилити, надежностью и расширением, которые учитывают соображения безопасности, наблюдаемости и устойчивости.
Два подхода ИИ
Прогнозирует у вас есть (Используя методы ИИ, чтобы ответить на различные сценарии, если в инженерии платформы, чтобы сделать процесс принятия решений более простым) и Применяемый ИИ (Использование методов ИИ для решения нескольких жизненного цикла разработки программного обеспечения [SDLC] Проблемы) всегда были частью инженерного пространства платформы.
Критическим подходом к прогнозированию ИИ, который становится все более распространенным, является повышенное использование деревьев решений и моделей для выбора конкретного подхода, когда есть много вариантов. Примером использования прогнозирующего ИИ полезно, когда вы пытаетесь посмотреть на шаблон вашего приложения и выяснить соответствующую конфигурацию времени выполнения.
По состоянию на написание эффективной инженерии платформы, из которой эта статья выдержается, крупные поставщики общественного облака предлагают широкий спектр вычислительных вариантов, включая виртуальные машины (VMS), без серверов и платформу в качестве услуги (PAAS), охватывающие более дюжины различных услуг для запуска ваших приложений, адаптированные к различным потребностям рабочей нагрузки, Kubernetes, Batch и Step Functs и больше. Это число будет увеличиваться по мере развития технологий, что потребует кодифицированного подхода к принятию правильных решений — скорее всего, через вашу инженерную платформу. Это может быть очень сложным для разработчиков и архитекторов, которые можно рекомендовать.
Более того, противоречивое использование архитектурных моделей и связанных с ними решений может создать больше операционных проблем для всех команд по нисходящим.
Применяемый ИИ, с другой стороны, всегда оказал существенное влияние на любой процесс принятия решений, управляемый данными. Здесь вы можете применить свои знания от предыдущих выполнений аналогичных шаблонов решения к проблеме к текущему сценарию. Критическая концепция самовосстановления является примером использования прикладного ИИ.
Как прогнозирующий, так и применяемый ИИ должны быть пересмотрены в соответствии с новым интересом к Genai.
Генеративный ИИ появляется
Genai уже может генерировать полные или частичные решения для инженерных задач платформы с достаточно четкими подсказками. Задача заключается в наличии соответствующих LLM, чтобы помочь создать соответствующие и контекстные решения для данной организации.
Мы определили стратегию продукта для платформы в «Фондационных концепциях в инженерии платформы», предыдущей выдержки из нашей книги. Описывая необходимость понимания общего видения и стратегии продукта, мы также прояснили, что создание стратегии не будет основной задачей многих читателей.
Тем не менее, выполнение конкретной дорожной карты и действий вокруг нее требует четкого понимания основной стратегии. В этом контексте мы должны рассмотреть влияние Genai и Agentic AI, поскольку несколько инструментов на рынке помогают в создании стратегии инженерии платформы.
Определение областей фокуса
Лучшей отправной точкой для определения областей фокусировки для LLM-орхэстрированных плоскостей управления будет состоит в том, чтобы создать стратегию первого прохождения, за которым следует подробный анализ пути к производству, чтобы определить области в SDLC, где у вас есть наибольшее количество. После того, как вы это получите, вы должны посмотреть на места, в которые вы планируете инвестировать на следующих этапах под общими категориями.
Основные области для Genai в стратегии платформы. Это быстро развивающееся пространство, и области фокусировки должны быть идентифицированы с использованием тех же стратегий продукта, которые обсуждались в этой главе.
Развивающаяся стратегия с Genai
С стратегической точки зрения вы должны сначала определить области фокусировки, а затем разбить проблему на несколько этапов. Давайте посмотрим на это для каждой области фокуса.
1. План
Как правило, вы начинаете с проведения интервью с эмпатией, которые позволяют менеджерам по продуктам получить глубокое понимание мотивации, целей и проблем. Это означает изучение доступных данных, обнаруженных с использованием подробного анализа пути к производству, а также изучение некоторых отстающих показателей, таких как метрики DORA, чтобы лучше понять проблемное пространство.
Genai может быть эффективным при анализе результатов процесса планирования для определения приоритетов. Одним из важнейших элементов приоритетов, который может решить Genai, является понимание потенциальных конфликтов или несоответствий с требованиями.
Агент ИИ также может превратить анализ критериев планирования и принятия в реальные пользовательские истории. Текстовая помощь может ускорить (если не полностью заменить) эффективность бизнес -анализа и владельцев продуктов, уменьшив часть труда, необходимых для упаковки предыдущей работы в различные формы, основанные на аудитории.
2. Дизайн
Genai предоставляет многочисленные инструменты для создания архитектурных схем, моделей данных и глубоко описательных визуализаций для ваших проектов. Он переводит свои знания о моделях дизайна, аналогичных моделям, используемым для улучшения опыта дизайна, и удобства и качества продукта.
Например, существуют инструменты для автоматического создания диаграмм отношений сущностей (ERDS) на основе ваших спецификаций проектирования. Они также могут предоставить вам параметры для выбора из -за того, что они управляются либо критериями проектирования, изложенными с самого начала, либо с возможностью итеративного процесса. Варианты, сгенерированные моделями ИИ, могут сообщить вам о потенциальных затратах и эффективности реализации для поддержки процесса принятия решений.
Собирая стратегию, самая большая проблема — выяснить, как скоро вы сможете доказать свою гипотезу. Решение этой проблемы требует от вас создания доказательств концепции, которые могут дать вашим конечным пользователям и лицам, принимающим решения, лучше ощущать то, что вы предлагаете разработать. Просто показывать им документ или электронную таблицу с числами, выходит только на то, чтобы выровнять их с вашим мышлением. Genai может быть мощным инструментом, предоставляя оптимизированный способ быстрого создания вашего прототипа.
3. Развивать
С момента выпуска CHATGPT-4 и быстрой эволюции передовых систем Genai, таких как Claude, Gemini и Agentic Frameworks с открытым исходным кодом, некоторые из наиболее обсуждаемых-и часто тревожные-рассказывают о том, будут ли эти технологии в конечном итоге заменить разработчиков программного обеспечения.
Хотя мы думаем, что это все еще надуманная идея, факт заключается в том, что использование искусственного интеллекта сделает хороших разработчиков лучше и более продуктивным. В частности, это включает в себя:
- Облегченная генерация кода на основе дизайна со всей необходимой документацией.
- Обзоры интеллектуального кода, которые являются более своевременными для более быстрых отзывов.
- Отладка для обеспечения функциональной эквивалентности.
Другое проклятие разработчиков разрабатывает модульные тесты, которые могут помочь непрерывной интеграции проходить беспрепятственно. Некоторые из самых популярных инструментов для кодирования помогают дать разработчикам отличную информацию в режиме реального времени, чтобы сделать процесс разработки более эффективным и приятным с четкими результатами.
Если вы не стартап или масштаб, вы обязательно имеете значительное количество наследия, неоптимально зачищенного кода. В то время как модели по -прежнему нуждаются в улучшениях, чтобы взять тесную связь и разбить ее на управляемые модули, многие новые инструменты могут помочь с задачами, для которых трудно найти разработчиков, таких как мигрирование мэйнфреймов и кодовых баз. Учитывая это в вашей стратегии вашей платформы поможет вам установить надлежащие инвестиции и уровни фокуса.
Genai может помочь улучшить скорость развития следующими способами:
- Анализ сложных вопросов кодирования: Решения, сгенерированные LLM, могут помочь решить сложные задачи кодирования.
- Улучшение тестового покрытия: Genai может генерировать определенные категории тестов, сокращая время кодирования.
- Отзывы об анализе статического кода: Сложность кода и поддержанные проблемы могут быть обнаружены раньше, и возможные решения реализованы быстрее.
3. Тесты
Тестирование имеет самый высокий потенциал всех возможностей для улучшения SDLC. Охват этой работы обычно сосредотачивается вокруг информирования о создании тестов, оценке данных тестирования и тестирования метрик против целей.
Эволюция теста с точки зрения Геная. Методы Genai могут помочь выполнить эффективный анализ основной причины путем быстрой оценки данных об наблюдении.
Тестирование может дать более целостное влияние, сосредоточив внимание на генерации и автоматизации тестирования. После выполнения тестов методы Genai могут улучшить анализ первопричин, позволяя вам просмотреть ваши метрики, бревна и следы через тяжелую линзу наблюдений для обнаружения аномалий.
4. Развертывание
Genai будет играть важную роль в выпуске программного обеспечения в различных пользовательских средах и улучшении качества обслуживания клиентов. К ним относятся проверки безопасности, основанные на аномалиях в схемах использования и изменениях соответствия.
5. Техническое обслуживание
Genai может улучшить поддержку программного обеспечения и техническое обслуживание. Вот некоторые области, которые следует учитывать при разработке стратегии обслуживания программного обеспечения в рамках вашей платформы.
- Улучшение опыта конечного пользователя: Подумайте о том, как вы можете использовать обработку естественного языка (NLP) и глубоко обучать чат-ботов, чтобы создать ответы в реальном времени на наиболее распространенные вопросы, которые могут возникнуть пользователи системы.
- Предупреждение и разрешение: Непрерывное определение дрейфов против разумных дефолтов и приемлемых диапазонов в вашей системе может привести к информированному оповещению и пониманию, которые могут привести к автоматическому восстановлению.
- Циклы обратной связи: Genai может быстро обнаружить паттерны использования, которые могут направлять решения для приоритетов дорожной карты.
Завершая
Вы должны оценить влияние Genai, в том числе передовые инструменты, такие как CHATGPT-4, Claude, Gemini и Emerging Agentic Frameworks,-в качестве основного компонента вашей развивающейся стратегии платформы, так же, как вы оцениваете любые инновации в продукте.
Несмотря на достижения, выходы LLMS и машинного обучения (ML) все еще могут быть непоследовательными, часто производя неточности. Тем не менее, они также способны обеспечить значительную ценность через ускоренные идеи, прототипирование и поддержку принятия решений. Используя методы измерения стоимости платформы, вы можете постоянно оценивать, значительно ли способствует возврат инвестиций от интеграции инструментов и агентов Genai.
Хроносфера — это платформа наблюдения, созданная для контроля в современном, контейнерном мире. Признанная в качестве лидера крупными аналитическими фирмами, хроносфера дает клиентам сосредоточиться на данных и идеях, которые имеют значение для снижения сложности данных, оптимизировать затраты и быстрее решать проблемы. Узнайте больше новейших из хроносферных трендовых историй Youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Это выдержка из книги «Эффективная инженерия платформ» в программе раннего доступа Мэннинга (MEAP) от Ajay Chankramath, MD и CTO отраслевых решений, платформы и продуктов для Brillio; Ник Ченевет, главный консультант в «Мыствее»; Брайан Оливер, главный консультант … Подробнее от авторов книг Мэннинга
