Inom mjukvaruteknik finns det en direkt korrelation mellan teamprestanda och att bygga robusta, stabila applikationer. Datagemenskapen strävar efter att ta till sig de rigorösa tekniska principer som vanligtvis används i mjukvaruutveckling i sina egna metoder, vilket inkluderar systematiska tillvägagångssätt för design, utveckling, testning och underhåll. Detta kräver noggrann kombination av applikationer och mätvärden för att ge fullständig medvetenhet, noggrannhet och kontroll. Det innebär att utvärdera alla aspekter av ett teams prestation, med fokus på ständiga förbättringar, och det gäller lika mycket för stordatorer som för distribuerade miljöer och molnmiljöer – kanske mer.
Detta uppnås genom metoder som infrastruktur som kod (IaC) för implementeringar, automatiserad testning, applikationsobserverbarhet och fullständigt ägande av applikationens livscykel. Genom år av forskning har DevOps Research and Assessment (DORA) teamet har identifierat fyra nyckeltal som indikerar prestandan hos ett mjukvaruutvecklingsteam:
- Distributionsfrekvens – Hur ofta en organisation framgångsrikt släpper till produktion
- Ledtid för förändringar – Hur lång tid det tar ett åtagande att komma in i produktionen
- Ändra felfrekvens – Andelen driftsättningar som orsakar produktionsfel
- Dags att återställa tjänsten – Hur lång tid det tar för en organisation att återhämta sig från ett produktionsfel
Dessa mätvärden ger ett kvantitativt sätt att mäta effektiviteten och effektiviteten hos DevOps-praxis. Även om mycket av fokus kring analys av DevOps ligger på distribuerad och molnteknologi, har stordatorn fortfarande en unik och kraftfull position, och den kan använda DORA 4-måtten för att främja sitt rykte som handelsmotorn.
Det här blogginlägget diskuterar hur BMC Software lades till AWS Generativ AI kapacitet till sin produkt BMC AMI zAdviser Enterprise. zAdviser använder Amazonas berggrund att tillhandahålla sammanfattningar, analyser och rekommendationer för förbättringar baserat på DORA-statistiken.
Utmaningar med att spåra DORA 4-mått
Att spåra DORA 4-mått innebär att sätta ihop siffrorna och placera dem på en instrumentpanel. Men att mäta produktivitet är i huvudsak att mäta individers prestation, vilket kan få dem att känna sig granskade. Denna situation kan kräva en förändring i organisationskulturen för att fokusera på kollektiva prestationer och betona att automationsverktyg förbättrar utvecklarupplevelsen.
Det är också viktigt att undvika att fokusera på irrelevanta mätvärden eller överdrivet spårning av data. Kärnan i DORA-måtten är att destillera information till en kärnuppsättning nyckelprestandaindikatorer (KPI:er) för utvärdering. Mean Time to Restore (MTTR) är ofta den enklaste KPI:n att spåra – de flesta organisationer använder verktyg som BMC Helix ITSM eller andra som registrerar händelser och problemspårning.
Att fånga ledtid för förändringar och förändringsfelfrekvens kan vara mer utmanande, särskilt på stordatorer. Ledtid för ändringar och förändringsfelfrekvens-KPI:er samlar data från kodbekräftelser, loggfiler och automatiserade testresultat. Att använda en Git-baserad SCM drar ihop dessa insikter sömlöst. Stordatorteam som använder BMC:s Git-baserade DevOps-plattform, AMI DevX , kan samla in denna data lika enkelt som distribuerade team kan.
Lösningsöversikt
Amazon Bedrock är en fullt hanterad tjänst som erbjuder ett urval av högpresterande grundmodeller (FM) från ledande AI-företag som AI21 Labs, Anthropic, Cohere, Meta, Stability AI och Amazon via ett enda API, tillsammans med en bred uppsättning av funktioner du behöver för att bygga generativa AI-applikationer med säkerhet, integritet och ansvarsfull AI.
BMC AMI zAdviser Enterprise tillhandahåller ett brett utbud av DevOps KPI:er för att optimera stordatorutvecklingen och göra det möjligt för team att proaktivt identifiera och lösa problem. Med hjälp av maskininlärning övervakar AMI zAdviser stordatorbyggande, testar och distribuerar funktioner över DevOps-verktygskedjor och erbjuder sedan AI-ledda rekommendationer för ständiga förbättringar. Förutom att fånga och rapportera om utvecklings-KPI:er, fångar zAdviser data om hur BMC DevX-produkterna antas och används. Detta inkluderar antalet program som felsöktes, resultatet av testansträngningar med DevX-testverktygen och många andra datapunkter. Dessa ytterligare datapunkter kan ge djupare insikter i utvecklings-KPI:erna, inklusive DORA-måtten, och kan användas i framtida generativa AI-insatser med Amazon Bedrock.
Följande arkitekturdiagram visar den slutliga implementeringen av zAdviser Enterprise som använder generativ AI för att tillhandahålla sammanfattningar, analys och rekommendationer för förbättringar baserat på DORA-mätvärdena KPI-data.
Lösningsarbetsflödet inkluderar följande steg:
- Skapa aggregeringsfrågan för att hämta mätvärdena från Elasticsearch.
- Extrahera lagrad stordatordata från zAdviser, som är värd i Amazon Elastic Compute Cloud (Amazon EC2) och distribueras i AWS.
- Aggregera data som hämtats från Elasticsearch och bilda prompten för det generativa AI Amazon Bedrock API-anropet.
- Skicka den generativa AI-prompten till Amazon Bedrock (med Anthropics Claude2-modell på Amazon Bedrock).
- Lagra svaret från Amazon Bedrock (ett HTML-formaterat dokument) i Amazon enkel lagringstjänst (Amazon S3).
- Utlösa KPI-e-postprocessen via AWS Lambda:
- Det HTML-formaterade e-postmeddelandet extraheras från Amazon S3 och läggs till i e-postmeddelandets brödtext.
- PDF:er för kund-KPI:er extraheras från zAdviser och bifogas e-postmeddelandet.
- Mejlet skickas till prenumeranter.
Följande skärmdump visar LLM-sammanfattningen av DORA-mätvärden som genererats med Amazon Bedrock och skickats som ett e-postmeddelande till kunden, med en PDF-bilaga som innehåller DORA-mätvärdena KPI-instrumentpanelsrapporten från zAdviser.
Viktiga takeaways
I den här lösningen behöver du inte oroa dig för att dina data exponeras på internet när de skickas till en AI-klient. API-anropet till Amazon Bedrock innehåller ingen personligt identifierbar information (PII) eller någon data som kan identifiera en kund. Den enda data som överförs består av numeriska värden i form av DORA metriska KPI:er och instruktioner för den generativa AI:s verksamhet. Viktigt är att den generativa AI-klienten inte behåller, lär sig av eller cachelagrar denna data.
zAdvisers ingenjörsteam lyckades snabbt implementera denna funktion inom en kort tidsperiod. De snabba framstegen underlättades av zAdvisers betydande investering i AWS-tjänster och, viktigare, enkelheten att använda Amazon Bedrock via API-anrop. Detta understryker den transformativa kraften hos generativ AI-teknik som ingår i Amazon Bedrock API. Detta API, utrustat med det branschspecifika kunskapsarkivet zAdviser Enterprise och anpassat med kontinuerligt insamlade organisationsspecifika DevOps-mått, visar potentialen för AI på detta område.
Generativ AI har potential att sänka inträdesbarriären för att bygga AI-drivna organisationer. Särskilt stora språkmodeller (LLM) kan tillföra ett enormt värde för företag som vill utforska och använda ostrukturerad data. Utöver chatbots kan LLM:er användas i en mängd olika uppgifter, såsom klassificering, redigering och sammanfattning.
Slutsats
Det här inlägget diskuterade omvandlingseffekten av generativ AI-teknik i form av Amazon Bedrock API: er utrustade med den branschspecifika kunskap som BMC zAdviser besitter, skräddarsydd med organisationsspecifika DevOps-mått som samlas in på löpande basis.
Kolla in BMC hemsida för att lära dig mer och skapa en demo.
Om författarna
Sunil Bemarkar är Sr. Partner Solutions Architect på Amazon Web Services. Han arbetar med olika oberoende mjukvaruleverantörer (ISV) och strategiska kunder över branscher för att påskynda deras digitala transformationsresa och molninförande.
Vij Balakrishna är Senior Partner Development Manager på Amazon Web Services. Hon hjälper oberoende mjukvaruleverantörer (ISV) över branscher att påskynda deras digitala transformationsresa.
Spencer Hallman är ledande produktchef för BMC AMI zAdviser Enterprise. Tidigare var han produktchef för BMC AMI Strobe och BMC AMI Ops Automation för Batch Thruput. Före produkthanteringen var Spencer ämnesexpert för stordatorprestanda. Hans mångsidiga erfarenhet genom åren har också inkluderat programmering på flera plattformar och språk samt arbete inom operationsforskningsområdet. Han har en Master of Business Administration med inriktning på Operations Research från Temple University och en Bachelor of Science in Computer Science från University of Vermont. Han bor i Devon, PA och när han inte deltar i virtuella möten tycker han om att gå ut med sina hundar, cykla och umgås med sin familj.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/achieve-devops-maturity-with-bmc-ami-zadviser-enterprise-and-amazon-bedrock/
