Artículos técnicos
10 Maneras en las que el Machine Learning
ayuda a DevOps
Esta publicación pretende ser una introducción general a DevOps y el Machine Learning, pero no representa la hoja de ruta de GitLab con ModelOps. Lee aquí sobre nuestros planes ModelOps. Aquí, te mostraremos 10 maneras en las que el Machine Learning ayuda a DevOps.
Como la capa de un superhéroe, el Machine Learning puede mejorar los poderes innatos de su software DevOps.
Sí, recién es el inicio, y no, Machine Learning no puede hacer todo lo que deseas… todavía. Pero si comienzas a usar herramientas de ML ahora, estarás preparado para convertirte en un participante de pleno derecho en tu equipo de DevOps a medida que la tecnología continúa madurando. Aquí hay algunas cosas con las que ML puede ayudarte actualmente:
Dale sentido a tu data de prueba.
Ya sea que se trate de pruebas de regresión, unitarias, funcionales o de aceptación del usuario, ML puede ayudar a clasificar los datos generados a partir de esas pruebas, encontrar patrones, descubrir los problemas de codificación que causaron los errores y alertar a las tropas.
Administra las alertas de tu mesa de ayuda.
Puedes enseñarle a tu ML sobre los factores que componen diferentes tipos de alertas y enrutar automáticamente las alertas al solucionador de problemas mejor calificado (en su mayoría humanos), ya sea la mesa de servicio o un gurú de redes. Algunos sistemas de ML también pueden solucionar problemas sin intervención humana, según las reglas que cree.
Pon la seguridad en "DevSecOps".
Los algoritmos de ML pueden, en tiempo real, analizar la enorme cantidad de información generada a partir de su software de seguridad y registros de red y determinar si existe una infracción mucho antes de que lo haga un ser humano.
El software ML compara la línea de base de tráfico de red habitual con lo que está viendo actualmente y detecta cuando hay un ataque, o puede decirte si la cantidad de código en una aplicación o sistema ha aumentado repentinamente al doble de su tamaño cuando no debería haberlo hecho. ML también puede clasificar los problemas que encuentra, así como tomar medidas para corregir problemas de seguridad según sus pautas.
Además, las herramientas de ML también pueden ayudar a garantizar que se sigan las reglas de gobierno y crear un registro de auditoría detallado.
Reúne los requisitos de los usuarios.
El procesamiento del lenguaje natural ha recorrido un largo camino y puede recopilar, validar y rastrear documentos para agilizar el proceso de averiguar lo que piden los usuarios. La tecnología también puede ayudar a detectar requisitos incompletos o cronogramas irregulares y puede traducir los deseos y necesidades de los usuarios en requisitos de proyectos altamente técnicos. Esto hace que todo el proceso de gestión de proyectos sea más eficiente.
Automatiza las pruebas y crea datos de prueba.
ML puede crear automáticamente las pruebas que necesita para el control de calidad y los casos de prueba en los que se basan, generar y administrar datos de prueba y automatizar revisiones de código.
El procesamiento del lenguaje natural puede ayudarlo a revisar casos de prueba y eliminar duplicados, así como a identificar brechas en la cobertura de la prueba.
Los equipos seguirán utilizando modelos de Machine Learning para hacer que la automatización de pruebas sea más inteligente, predice Forrester Research.
Recibe ayuda con detalles molestos de desarrollo.
No, no para reemplazar a los desarrolladores, por supuesto, al menos no todavía. Pero ML puede aprender de las aplicaciones anteriores que ha creado para recomendar barandillas de seguridad y cómo hacer que el software se escale y funcione mejor, entre otras cosas.
Los desarrolladores definitivamente ven venir esta tendencia, y en la Encuesta Global DevSecOps 2021 de GitLab, alrededor de un tercio dijo que la comprensión de AI o ML es la habilidad más importante para sus futuras carreras.
Las herramientas de finalización de código impulsadas por ML ya están en el mercado y brindan sugerencias para los desarrolladores de aplicaciones.
Ahorra tiempo en el aprovisionamiento manual.
Claro que Cloud lo hace todo más fácil, pero ML puede proporcionar lo que crees que necesitarás antes de que realmente lo necesites.
Reduce la complejidad y permite una mejor comunicación a lo largo de la cadena de software.
ML puede suavizar las asperezas entre los equipos responsables de las diferentes partes del proceso y actuar como una especie de esperanto para permitir que las personas hablen entre sí usando el mismo idioma. No más, “Funcionó en mi máquina”.
Mejora la calidad del software y del producto.
ML puede ayudar a encontrar problemas como fugas de recursos, ciclos de CPU desperdiciados y otros problemas, para que pueda optimizar su código antes de que llegue a producción. En Facebook, una herramienta de detección de errores predice defectos y sugiere soluciones que resultan correctas el 80 % de las veces, informa Deloitte.
Y el IEEE realizó un estudio de Google X sobre un método ML que predice fallas de componentes individuales que era “mucho más preciso que el enfoque MTBF tradicional”.
Integra flujos de trabajo y permite la mejora continua.
Algunos equipos de DevOps están utilizando ML para analizar todas las herramientas de desarrollo, operativas y de prueba para encontrar brechas, así como también dónde se deben integrar mejor las piezas de la canalización y dónde aún se necesitan las API.
Los algoritmos de ML pueden ayudar a los equipos a descubrir por qué algunos proyectos funcionan muy bien y otros no.
Puedes usar ML para monitorear y asegurarte de que estén completamente operativos.
Además, ML continúa aprendiendo de tus modelos de capacitación, tanto los que tú le proporcionas como de los que aprende por sí solo a medida que avanza, para continuar ayudándote a brindar mejores productos y servicios a lo largo del tiempo.
Y cuando te pones manos a la obra, ¿no es ese el objetivo de la tecnología?
Fuente: GitLab
