Inden for softwareudvikling er der en direkte sammenhæng mellem teampræstation og opbygning af robuste, stabile applikationer. Datafællesskabet sigter mod at overtage de strenge ingeniørprincipper, der almindeligvis anvendes i softwareudvikling, i deres egen praksis, som omfatter systematiske tilgange til design, udvikling, test og vedligeholdelse. Dette kræver omhyggeligt at kombinere applikationer og målinger for at give fuldstændig bevidsthed, nøjagtighed og kontrol. Det betyder, at man skal evaluere alle aspekter af et teams præstationer med fokus på løbende forbedringer, og det gælder lige så meget for mainframe, som det gør for distribuerede og cloud-miljøer – måske mere.
Dette opnås gennem praksis som infrastruktur som kode (IaC) til udrulninger, automatiseret test, applikationsobservabilitet og komplet applikationslivscyklusejerskab. Gennem mange års forskning har DevOps Research and Assessment (DORA) teamet har identificeret fire nøglemålinger, der indikerer ydeevnen af et softwareudviklingsteam:
- Implementeringsfrekvens – Hvor ofte en organisation med succes frigiver til produktion
- Gennemløbstid for ændringer – Hvor lang tid det tager en forpligtelse at komme i produktion
- Skift fejlrate – Procentdelen af implementeringer, der forårsager produktionsfejl
- Tid til at genoprette tjenesten – Hvor lang tid det tager en organisation at komme sig efter en produktionsfejl
Disse målinger giver en kvantitativ måde at måle effektiviteten og effektiviteten af DevOps-praksis. Selvom meget af fokus omkring analyse af DevOps er på distribuerede teknologier og cloud-teknologier, bevarer mainframen stadig en unik og kraftfuld position, og den kan bruge DORA 4-målingerne til at fremme sit omdømme som handelsmotoren.
Dette blogindlæg diskuterer, hvordan BMC Software blev tilføjet AWS Generativ AI evner til sit produkt BMC AMI zAdviser Enterprise. zAdviser bruger Amazonas grundfjeld at give opsummering, analyse og anbefalinger til forbedring baseret på DORA-metrikdataene.
Udfordringer ved at spore DORA 4-metrikker
At spore DORA 4-metrikker betyder at sætte tallene sammen og placere dem på et dashboard. Men at måle produktivitet er i det væsentlige at måle individers præstationer, hvilket kan få dem til at føle sig undersøgt. Denne situation kan nødvendiggøre et skift i organisationskulturen for at fokusere på kollektive resultater og understrege, at automatiseringsværktøjer forbedrer udvikleroplevelsen.
Det er også vigtigt at undgå at fokusere på irrelevante metrics eller overdrevent sporing af data. Essensen af DORA-målinger er at destillere information til et kernesæt af nøglepræstationsindikatorer (KPI'er) til evaluering. Mean Time to Restore (MTTR) er ofte den enkleste KPI at spore – de fleste organisationer bruger værktøjer som BMC Helix ITSM eller andre, der registrerer hændelser og problemsporing.
Det kan være mere udfordrende at fange gennemløbstid for ændringer og ændringsfejlfrekvens, især på mainframes. Gennemløbstid for ændringer og ændringsfejlfrekvens-KPI'er samler data fra kodeforpligtelser, logfiler og automatiserede testresultater. Brug af en Git-baseret SCM samler denne indsigt problemfrit. Mainframe-teams, der bruger BMC's Git-baserede DevOps-platform, AMI DevX, kan indsamle disse data lige så nemt, som distribuerede teams kan.
Løsningsoversigt
Amazon Bedrock er en fuldt administreret tjeneste, der tilbyder et udvalg af højtydende fundamentmodeller (FM'er) fra førende AI-virksomheder som AI21 Labs, Anthropic, Cohere, Meta, Stability AI og Amazon via en enkelt API, sammen med et bredt sæt af funktioner, du har brug for for at bygge generative AI-applikationer med sikkerhed, privatliv og ansvarlig AI.
BMC AMI zAdviser Enterprise leverer en bred vifte af DevOps KPI'er for at optimere mainframe-udvikling og gøre det muligt for teams proaktivt at identificere og løse problemer. Ved hjælp af maskinlæring overvåger AMI zAdviser mainframe-opbygning, test og implementering af funktioner på tværs af DevOps-værktøjskæder og tilbyder derefter AI-ledede anbefalinger til løbende forbedringer. Udover at indfange og rapportere om udviklings-KPI'er, fanger zAdviser data om, hvordan BMC DevX-produkterne er adopteret og brugt. Dette inkluderer antallet af programmer, der blev fejlrettet, resultatet af testindsatsen ved hjælp af DevX-testværktøjerne og mange andre datapunkter. Disse yderligere datapunkter kan give dybere indsigt i udviklings-KPI'erne, herunder DORA-metrikkene, og kan bruges i fremtidige generative AI-indsatser med Amazon Bedrock.
Følgende arkitekturdiagram viser den endelige implementering af zAdviser Enterprise, der bruger generativ AI til at give opsummering, analyse og anbefalinger til forbedring baseret på DORA-metrics KPI-data.
Løsningsarbejdsgangen omfatter følgende trin:
- Opret aggregeringsforespørgslen for at hente metrics fra Elasticsearch.
- Uddrag de lagrede mainframe-metrikdata fra zAdviser, som er hostet i Amazon Elastic Compute Cloud (Amazon EC2) og implementeret i AWS.
- Saml de data, der er hentet fra Elasticsearch, og form prompten til det generative AI Amazon Bedrock API-kald.
- Send den generative AI-prompt til Amazon Bedrock (ved hjælp af Anthropics Claude2-model på Amazon Bedrock).
- Gem svaret fra Amazon Bedrock (et HTML-formateret dokument) i Amazon Simple Storage Service (Amazon S3).
- Udløs KPI-e-mail-processen via AWS Lambda:
- Den HTML-formaterede e-mail udtrækkes fra Amazon S3 og tilføjes til brødteksten i e-mailen.
- PDF'en for kunde-KPI'er er udtrukket fra zAdviser og vedhæftet e-mailen.
- E-mailen sendes til abonnenter.
Følgende skærmbillede viser LLM-opsummeringen af DORA-metrics, der er genereret ved hjælp af Amazon Bedrock og sendt som en e-mail til kunden, med en PDF-vedhæftet fil, der indeholder DORA-metrics KPI-dashboard-rapporten fra zAdviser.
Vigtige takeaways
I denne løsning behøver du ikke bekymre dig om, at dine data bliver eksponeret på internettet, når de sendes til en AI-klient. API-kaldet til Amazon Bedrock indeholder ingen personligt identificerbar information (PII) eller nogen data, der kunne identificere en kunde. De eneste transmitterede data består af numeriske værdier i form af DORA metriske KPI'er og instruktioner til den generative AI's operationer. Det er vigtigt, at den generative AI-klient ikke beholder, lærer af eller cacher disse data.
zAdvisers ingeniørteam havde succes med hurtigt at implementere denne funktion inden for et kort tidsrum. De hurtige fremskridt blev lettet af zAdvisers betydelige investering i AWS-tjenester og, hvad der er vigtigt, letheden ved at bruge Amazon Bedrock via API-kald. Dette understreger den transformative kraft af generativ AI-teknologi, der er inkorporeret i Amazon Bedrock API. Denne API, der er udstyret med det branchespecifikke videnlager zAdviser Enterprise og tilpasset med løbende indsamlede organisationsspecifikke DevOps-metrikker, demonstrerer potentialet ved AI på dette felt.
Generativ AI har potentialet til at sænke adgangsbarrieren for at opbygge AI-drevne organisationer. Især store sprogmodeller (LLM'er) kan give en enorm værdi for virksomheder, der søger at udforske og bruge ustrukturerede data. Ud over chatbots kan LLM'er bruges i en række forskellige opgaver, såsom klassificering, redigering og opsummering.
Konklusion
Dette indlæg diskuterede transformationspåvirkningen af generativ AI-teknologi i form af Amazon Bedrock API'er udstyret med den branchespecifikke viden, som BMC zAdviser besidder, skræddersyet med organisationsspecifikke DevOps-metrikker, der indsamles løbende.
Tjek den BMC hjemmeside for at lære mere og oprette en demo.
Om forfatterne
Sunil Bemarkar er Sr. Partner Solutions Architect hos Amazon Web Services. Han arbejder med forskellige uafhængige softwareleverandører (ISV'er) og strategiske kunder på tværs af brancher for at accelerere deres digitale transformationsrejse og cloud-adoption.
Vij Balakrishna er Senior Partner Development Manager hos Amazon Web Services. Hun hjælper uafhængige softwareleverandører (ISV'er) på tværs af brancher med at accelerere deres digitale transformationsrejse.
Spencer Hallman er Lead Product Manager for BMC AMI zAdviser Enterprise. Tidligere var han produktchef for BMC AMI Strobe og BMC AMI Ops Automation for Batch Thruput. Før produktledelsen var Spencer fagekspert for mainframe-performance. Hans mangfoldige erfaring gennem årene har også inkluderet programmering på flere platforme og sprog samt arbejde i Operations Research-feltet. Han har en Master of Business Administration med en koncentration i Operations Research fra Temple University og en Bachelor of Science i Computer Science fra University of Vermont. Han bor i Devon, PA, og når han ikke deltager i virtuelle møder, nyder han at gå tur med sine hunde, cykle og tilbringe tid med sin familie.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/achieve-devops-maturity-with-bmc-ami-zadviser-enterprise-and-amazon-bedrock/
