A szoftverfejlesztésben közvetlen összefüggés van a csapat teljesítménye és a robusztus, stabil alkalmazások építése között. Az adatközösség célja, hogy a szoftverfejlesztésben általánosan használt szigorú mérnöki elveket átvegye saját gyakorlatába, amely magában foglalja a tervezés, fejlesztés, tesztelés és karbantartás szisztematikus megközelítését. Ehhez az alkalmazások és a mérőszámok gondos kombinálására van szükség a teljes tudatosság, pontosság és ellenőrzés érdekében. Ez azt jelenti, hogy a csapat teljesítményének minden aspektusát értékelni kell, a folyamatos fejlesztésre összpontosítva, és éppúgy vonatkozik a mainframe-re, mint az elosztott és felhőkörnyezetekre – talán többet is.

Ezt olyan gyakorlatokkal érik el, mint az infrastruktúra kódként (IaC) a telepítésekhez, az automatizált tesztelés, az alkalmazások megfigyelhetősége és az alkalmazás életciklusának teljes tulajdonlása. Évekig tartó kutatás révén a DevOps kutatás és értékelés (DORA) A csapat négy kulcsfontosságú mérőszámot azonosított, amelyek a szoftverfejlesztő csapat teljesítményét jelzik:

• Telepítési gyakoriság – Milyen gyakran bocsát ki egy szervezet sikeresen termelésbe
• Átfutási idő a változtatásokhoz – Az az idő, mennyi időbe telik egy elkötelezettségnek, hogy a gyártásba kerüljön
• A meghibásodási arány módosítása – A termelési hibát okozó telepítések százalékos aránya
• Ideje helyreállítani a szolgáltatást – Mennyi ideig tart a szervezet felépülni a termelési kudarcból

Ezek a mutatók kvantitatív módszert biztosítanak a DevOps gyakorlatok hatékonyságának és hatékonyságának mérésére. Noha a DevOps elemzése körül nagy hangsúlyt fektetnek az elosztott és felhőtechnológiákra, a mainframe továbbra is egyedülálló és erőteljes pozíciót tart fenn, és a DORA 4 mérőszámait felhasználva növelheti hírnevét a kereskedelem motorjaként.

Ez a blogbejegyzés a BMC Software hozzáadásának módját tárgyalja AWS Generatív AI képességeit termékéhez BMC AMI zAdviser Enterprise. A zAdviser használja Amazon alapkőzet hogy a DORA mérőszámai alapján összefoglalókat, elemzéseket és fejlesztési javaslatokat adjon.

A DORA 4 mérőszámainak követésének kihívásai

A DORA 4 mérőszámainak követése azt jelenti, hogy össze kell rakni a számokat és elhelyezni egy műszerfalon. A termelékenység mérése azonban alapvetően az egyének teljesítményének mérését jelenti, amitől úgy érzik, hogy megvizsgálják őket. Ez a helyzet szükségessé teheti a szervezeti kultúra megváltoztatását, hogy a kollektív eredményekre összpontosítsanak, és hangsúlyozzák, hogy az automatizálási eszközök javítják a fejlesztői élményt.

Szintén létfontosságú, hogy ne összpontosítsunk irreleváns mérőszámokra vagy túlzottan nyomon követjük az adatokat. A DORA metrikák lényege, hogy az információkat kulcsfontosságú teljesítménymutatók (KPI-k) alapvető készletébe vonják be az értékeléshez. Az átlagos visszaállítási idő (MTTR) gyakran a legegyszerűbb nyomon követhető KPI – a legtöbb szervezet olyan eszközöket használ, mint a BMC Helix ITSM vagy más, amelyek rögzítik az eseményeket és nyomon követik a problémákat.

A változtatások átfutási idejének rögzítése és a változtatások sikertelenségi aránya nagyobb kihívást jelenthet, különösen a nagyszámítógépeken. A változtatások átfutási ideje és a változtatási hibaarány KPI-k összesítik a kód véglegesítéséből, naplófájljaiból és az automatizált teszteredményekből származó adatokat. A Git-alapú SCM használata zökkenőmentesen egyesíti ezeket a betekintést. A BMC Git-alapú DevOps platformját, az AMI DevX-et használó nagyszámítógépes csapatok ugyanolyan könnyen gyűjthetik ezeket az adatokat, mint az elosztott csapatok.

Megoldás áttekintése

Az Amazon Bedrock egy teljes körűen felügyelt szolgáltatás, amely egyetlen API-n keresztül számos nagy teljesítményű alapozó modellt (FM) kínál olyan vezető AI-cégektől, mint az AI21 Labs, az Anthropic, a Cohere, a Meta, a Stability AI és az Amazon. olyan képességek, amelyekre szükség van generatív AI-alkalmazások létrehozásához biztonsággal, adatvédelemmel és felelős AI-val.

A BMC AMI zAdviser Enterprise a DevOps KPI-k széles skáláját kínálja a nagyszámítógép-fejlesztés optimalizálásához, és lehetővé teszi a csapatok számára a problémák proaktív azonosítását és megoldását. A gépi tanulás segítségével az AMI zAdviser figyeli a mainframe felépítését, teszteli és telepíti a funkciókat a DevOps eszközláncokon keresztül, majd mesterséges intelligencia által vezetett ajánlásokat kínál a folyamatos fejlesztéshez. A fejlesztési KPI-k rögzítése és jelentése mellett a zAdviser adatokat is rögzít a BMC DevX termékek elfogadásáról és használatáról. Ez magában foglalja a hibakereső programok számát, a DevX tesztelőeszközökkel végzett tesztelési erőfeszítések eredményét és sok más adatpontot. Ezek a további adatpontok mélyebb betekintést nyújthatnak a fejlesztési KPI-kbe, beleértve a DORA mérőszámokat is, és felhasználhatók az Amazon Bedrock jövőbeli generatív mesterségesintelligencia-akcióiban.

A következő architektúra diagram a zAdviser Enterprise végső megvalósítását mutatja be, amely generatív mesterséges intelligencia felhasználásával összegzést, elemzést és a DORA metrikák KPI-adatokon alapuló fejlesztési javaslatait nyújtja.

A megoldás munkafolyamata a következő lépéseket tartalmazza:

1. Hozza létre az összesítési lekérdezést a metrikák lekéréséhez az Elasticsearch alkalmazásból.
2. Bontsa ki a tárolt nagyszámítógép-metrikák adatait a zAdviserből, amelyen a szerver található Amazon rugalmas számítási felhő (Amazon EC2) és az AWS-ben telepítve.
3. Aggregálja az Elasticsearch alkalmazásból lekért adatokat, és adja meg a generatív AI Amazon Bedrock API-hívás parancssorát.
4. Adja át a generatív mesterséges intelligencia parancsot az Amazon Bedrocknak ​​(az Anthropic Claude2 modelljének használatával az Amazon Bedrockon).
5. Tárolja az Amazon Bedrock (HTML-formátumú dokumentum) válaszát Amazon egyszerű tárolási szolgáltatás (Amazon S3).
6. Indítsa el a KPI e-mail folyamatot a következőn keresztül AWS Lambda:
   1. A HTML-formátumú e-mailt az Amazon S3-ból nyerik ki, és hozzáadják az e-mail törzséhez.
   2. Az ügyfél KPI-k PDF-fájlja a zAdviserből származik, és csatolva van az e-mailhez.
   3. Az e-mailt elküldjük az előfizetőknek.

A következő képernyőképen az Amazon Bedrock segítségével generált és az ügyfélnek e-mailben elküldött DORA-metrikák LLM-összefoglalója látható, egy PDF-melléklettel, amely tartalmazza a zAdviser által készített DORA-metrikák KPI-műszerfali jelentését.

Legfontosabb elvitel

Ennél a megoldásnál nem kell aggódnia amiatt, hogy adatai megjelennek az interneten, amikor azokat egy AI-kliensnek küldik. Az Amazon Bedrock API-hívása nem tartalmaz semmilyen személyazonosításra alkalmas információt (PII) vagy olyan adatot, amely azonosíthatná az ügyfelet. Az egyetlen továbbított adat a DORA metrikus KPI-k formájában megjelenő számértékekből és a generatív mesterséges intelligencia műveleteire vonatkozó utasításokból áll. Fontos, hogy a generatív AI-kliens nem őrzi meg, nem tanul belőlük és nem tárolja gyorsítótárban ezeket az adatokat.

A zAdviser mérnöki csapata rövid időn belül sikeresen bevezette ezt a funkciót. A gyors fejlődést elősegítette a zAdviser jelentős befektetése az AWS-szolgáltatásokba, és ami még fontosabb, az Amazon Bedrock API-hívásokon keresztüli egyszerű használata. Ez aláhúzza az Amazon Bedrock API-ban megtestesülő generatív AI technológia átalakító erejét. Ez az API, amely a zAdviser Enterprise iparág-specifikus tudástárral van felszerelve, és folyamatosan gyűjtött szervezet-specifikus DevOps-mutatókkal van testreszabva, bemutatja az AI-ban rejlő lehetőségeket ezen a területen.

A generatív mesterséges intelligencia csökkentheti a belépési korlátot az AI-vezérelt szervezetek felépítéséhez. Különösen a nagy nyelvi modellek (LLM-ek) hozhatnak óriási értéket a strukturálatlan adatok feltárására és felhasználására törekvő vállalkozások számára. A chatbotokon túl az LLM-ek számos feladatban használhatók, mint például osztályozás, szerkesztés és összegzés.

Következtetés

Ez a bejegyzés a generatív mesterségesintelligencia-technológia átalakító hatását tárgyalta Amazon Bedrock API-k formájában, amelyek a BMC zAdviser által birtokolt iparág-specifikus tudással vannak felszerelve, és a folyamatosan gyűjtött szervezet-specifikus DevOps-metrikákhoz igazítva.

Nézze meg a BMC honlapja hogy többet tudjon meg és állítson be egy bemutatót.

---

A szerzőkről

Sunil Bemarkar Sr. Partner Solutions Architect az Amazon Web Servicesnél. Különféle független szoftverszállítókkal (ISV) és stratégiai ügyfelekkel dolgozik az iparágakban, hogy felgyorsítsa digitális átalakulásukat és a felhőbe való áttérésüket.

Vij Balakrishna az Amazon Web Services vezető partnerfejlesztési menedzsere. Segíti a független szoftverszállítókat (ISV) az iparágakban, hogy felgyorsítsák digitális átalakulásukat.

Spencer Hallman a BMC AMI zAdviser Enterprise vezető termékmenedzsere. Korábban a BMC AMI Strobe és a BMC AMI Ops Automation Batch Thruput termékmenedzsere volt. A termékmenedzsment előtt Spencer a nagyszámítógép-teljesítmény témakörének szakértője volt. Az évek során szerzett sokrétű tapasztalatai közé tartozik a több platformon és nyelven végzett programozás, valamint az Operations Research területen végzett munka. A Temple Egyetemen szerzett üzleti adminisztrációs mesterfokozatát, operációkutatási területen, valamint a Vermonti Egyetem informatikai alapképzését. Devonban (PA) él, és amikor nem vesz részt virtuális találkozókon, szívesen sétáltat kutyáit, biciklizik és a családjával tölti az idejét.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/achieve-devops-maturity-with-bmc-ami-zadviser-enterprise-and-amazon-bedrock/