Dalam rekayasa perangkat lunak, terdapat korelasi langsung antara kinerja tim dan pembangunan aplikasi yang kuat dan stabil. Komunitas data bertujuan untuk mengadopsi prinsip-prinsip rekayasa ketat yang biasa digunakan dalam pengembangan perangkat lunak ke dalam praktik mereka sendiri, yang mencakup pendekatan sistematis terhadap desain, pengembangan, pengujian, dan pemeliharaan. Hal ini memerlukan penggabungan aplikasi dan metrik secara hati-hati untuk memberikan kesadaran, akurasi, dan kontrol yang lengkap. Hal ini berarti mengevaluasi semua aspek kinerja tim, dengan fokus pada perbaikan terus-menerus, dan hal ini berlaku pada mainframe maupun pada lingkungan terdistribusi dan cloud—mungkin lebih.

Hal ini dicapai melalui praktik seperti infrastruktur sebagai kode (IaC) untuk penerapan, pengujian otomatis, observasi aplikasi, dan kepemilikan siklus hidup aplikasi yang lengkap. Melalui penelitian bertahun-tahun, Penelitian dan Penilaian DevOps (DORA) tim telah mengidentifikasi empat metrik utama yang menunjukkan kinerja tim pengembangan perangkat lunak:

• Frekuensi penerapan – Seberapa sering suatu organisasi berhasil merilis ke produksi
• Waktu tunggu untuk perubahan – Jumlah waktu yang diperlukan komitmen untuk mulai berproduksi
• Ubah tingkat kegagalan – Persentase penerapan yang menyebabkan kegagalan produksi
• Saatnya memulihkan layanan – Berapa lama waktu yang dibutuhkan organisasi untuk pulih dari kegagalan produksi

Metrik ini memberikan cara kuantitatif untuk mengukur efektivitas dan efisiensi praktik DevOps. Meskipun sebagian besar fokus analisis DevOps adalah pada teknologi terdistribusi dan cloud, mainframe masih mempertahankan posisi yang unik dan kuat, dan dapat menggunakan metrik DORA 4 untuk meningkatkan reputasinya sebagai mesin perdagangan.

Posting blog ini membahas bagaimana Perangkat Lunak BMC ditambahkan AI Generatif AWS kemampuan pada produknya BMC AMI zPenasihat Perusahaan. zAdviser menggunakan Batuan Dasar Amazon untuk memberikan ringkasan, analisis, dan rekomendasi perbaikan berdasarkan data metrik DORA.

Tantangan melacak metrik DORA 4

Melacak metrik DORA 4 berarti menyatukan angka-angka dan menempatkannya di dasbor. Namun, mengukur produktivitas pada dasarnya adalah mengukur kinerja individu, yang dapat membuat mereka merasa diperhatikan. Situasi ini mungkin memerlukan perubahan dalam budaya organisasi untuk fokus pada pencapaian kolektif dan menekankan bahwa alat otomatisasi meningkatkan pengalaman pengembang.

Penting juga untuk menghindari fokus pada metrik yang tidak relevan atau pelacakan data yang berlebihan. Inti dari metrik DORA adalah menyaring informasi menjadi serangkaian indikator kinerja utama (KPI) untuk evaluasi. Waktu pemulihan rata-rata (MTTR) seringkali merupakan KPI yang paling sederhana untuk dilacak—sebagian besar organisasi menggunakan alat seperti BMC Helix ITSM atau lainnya yang mencatat peristiwa dan pelacakan masalah.

Mencatat waktu tunggu untuk perubahan dan tingkat kegagalan perubahan bisa jadi lebih menantang, terutama pada mainframe. Waktu tunggu untuk perubahan dan perubahan data agregat KPI tingkat kegagalan dari penerapan kode, file log, dan hasil pengujian otomatis. Menggunakan SCM berbasis Git menyatukan wawasan ini dengan mulus. Tim mainframe yang menggunakan platform DevOps berbasis Git BMC, AMI DevX, dapat mengumpulkan data ini semudah yang dapat dilakukan oleh tim terdistribusi.

Ikhtisar solusi

Amazon Bedrock adalah layanan terkelola sepenuhnya yang menawarkan pilihan model fondasi (FM) berperforma tinggi dari perusahaan AI terkemuka seperti AI21 Labs, Anthropic, Cohere, Meta, Stability AI, dan Amazon melalui satu API, bersama dengan serangkaian luas kemampuan yang Anda perlukan untuk membangun aplikasi AI generatif dengan keamanan, privasi, dan AI yang bertanggung jawab.

BMC AMI zAdviser Enterprise menyediakan berbagai KPI DevOps untuk mengoptimalkan pengembangan mainframe dan memungkinkan tim mengidentifikasi dan menyelesaikan masalah secara proaktif. Dengan menggunakan pembelajaran mesin, AMI zAdviser memantau pembuatan, pengujian, dan penerapan mainframe di seluruh rantai alat DevOps, lalu menawarkan rekomendasi berbasis AI untuk peningkatan berkelanjutan. Selain menangkap dan melaporkan KPI pengembangan, zAdviser juga menangkap data tentang bagaimana produk BMC DevX diadopsi dan digunakan. Ini mencakup jumlah program yang di-debug, hasil upaya pengujian menggunakan alat pengujian DevX, dan banyak titik data lainnya. Titik data tambahan ini dapat memberikan wawasan yang lebih mendalam mengenai KPI pengembangan, termasuk metrik DORA, dan dapat digunakan dalam upaya AI generatif di masa depan dengan Amazon Bedrock.

Diagram arsitektur berikut menunjukkan implementasi akhir zAdviser Enterprise yang memanfaatkan AI generatif untuk memberikan ringkasan, analisis, dan rekomendasi perbaikan berdasarkan data KPI metrik DORA.

Alur kerja solusi mencakup langkah-langkah berikut:

1. Buat kueri agregasi untuk mengambil metrik dari Elasticsearch.
2. Ekstrak data metrik mainframe yang disimpan dari zAdviser, yang dihosting di Cloud komputasi elastis Amazon (Amazon EC2) dan diterapkan di AWS.
3. Gabungkan data yang diambil dari Elasticsearch dan bentuk perintah untuk panggilan AI Amazon Bedrock API generatif.
4. Teruskan perintah AI generatif ke Amazon Bedrock (menggunakan model Claude2 Anthropic di Amazon Bedrock).
5. Simpan respons dari Amazon Bedrock (dokumen berformat HTML) di Layanan Penyimpanan Sederhana Amazon (Amazon S3).
6. Picu proses email KPI melalui AWS Lambda:
   1. Email berformat HTML diekstraksi dari Amazon S3 dan ditambahkan ke badan email.
   2. PDF untuk KPI pelanggan diambil dari zAdviser dan dilampirkan ke email.
   3. Email dikirim ke pelanggan.

Tangkapan layar berikut menunjukkan ringkasan LLM metrik DORA yang dihasilkan menggunakan Amazon Bedrock dan dikirim sebagai email ke pelanggan, dengan lampiran PDF yang berisi laporan dasbor KPI metrik DORA oleh zAdviser.

Takeaway kunci

Dalam solusi ini, Anda tidak perlu khawatir data Anda terekspos di internet saat dikirim ke klien AI. Panggilan API ke Amazon Bedrock tidak berisi informasi pengidentifikasi pribadi (PII) atau data apa pun yang dapat mengidentifikasi pelanggan. Satu-satunya data yang dikirimkan terdiri dari nilai numerik dalam bentuk KPI metrik DORA dan instruksi untuk pengoperasian AI generatif. Yang penting, klien AI generatif tidak menyimpan, mempelajari, atau menyimpan data ini dalam cache.

Tim teknik zAdviser berhasil mengimplementasikan fitur ini dengan cepat dalam rentang waktu singkat. Kemajuan pesat ini difasilitasi oleh investasi besar zAdviser pada layanan AWS dan, yang terpenting, kemudahan menggunakan Amazon Bedrock melalui panggilan API. Hal ini menggarisbawahi kekuatan transformatif teknologi AI generatif yang diwujudkan dalam Amazon Bedrock API. API ini, dilengkapi dengan gudang pengetahuan khusus industri zAdviser Enterprise dan disesuaikan dengan metrik DevOps khusus organisasi yang dikumpulkan secara terus-menerus, menunjukkan potensi AI di bidang ini.

AI generatif berpotensi menurunkan hambatan masuk untuk membangun organisasi berbasis AI. Model bahasa besar (LLM) khususnya dapat memberikan nilai luar biasa bagi perusahaan yang ingin mengeksplorasi dan menggunakan data tidak terstruktur. Selain chatbots, LLM dapat digunakan dalam berbagai tugas, seperti klasifikasi, pengeditan, dan ringkasan.

Kesimpulan

Postingan ini membahas dampak transformasional teknologi AI generatif dalam bentuk API Amazon Bedrock yang dilengkapi dengan pengetahuan khusus industri yang dimiliki BMC zAdviser, disesuaikan dengan metrik DevOps khusus organisasi yang dikumpulkan secara berkelanjutan.

Check out situs web BMC untuk mempelajari lebih lanjut dan menyiapkan demo.

---

Tentang Penulis

Sunil Bemarkar adalah Arsitek Solusi Mitra Senior di Amazon Web Services. Dia bekerja dengan berbagai Vendor Perangkat Lunak Independen (ISV) dan pelanggan Strategis di seluruh industri untuk mempercepat perjalanan transformasi digital dan adopsi cloud mereka.

Vij Balakrishna adalah manajer Pengembangan Mitra Senior di Amazon Web Services. Dia membantu vendor perangkat lunak independen (ISV) di berbagai industri untuk mempercepat perjalanan transformasi digital mereka.

Spencer Hallman adalah Manajer Produk Utama untuk BMC AMI zAdviser Enterprise. Sebelumnya, beliau menjabat sebagai Product Manager untuk BMC AMI Strobe dan BMC AMI Ops Automation untuk Batch Thruput. Sebelum Manajemen Produk, Spencer adalah Ahli Subjek untuk Kinerja Mainframe. Pengalamannya yang beragam selama bertahun-tahun juga mencakup pemrograman pada berbagai platform dan bahasa serta bekerja di bidang Riset Operasi. Beliau memiliki gelar Master of Business Administration dengan konsentrasi Riset Operasi dari Temple University dan gelar Bachelor of Science di bidang Computer Science dari University of Vermont. Dia tinggal di Devon, PA dan ketika dia tidak menghadiri pertemuan virtual, dia senang berjalan-jalan dengan anjingnya, mengendarai sepeda, dan menghabiskan waktu bersama keluarganya.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://aws.amazon.com/blogs/machine-learning/achieve-devops-maturity-with-bmc-ami-zadviser-enterprise-and-amazon-bedrock/