Le concept d’IA générative décrit des algorithmes d’apprentissage automatique qui peuvent créer de nouveaux contenus à partir d’une intervention humaine minimale. Le domaine a rapidement progressé au cours des dernières années, avec des projets tels que l’outil de création de texte ChatGPT et le créateur d’images réalistes DALL-E2 qui attirent l’attention du grand public.
Cependant, l’IA générative n’est pas réservée aux créateurs de contenu. Il est également sur le point de transformer le travail technique dans les domaines de l’ingénierie logicielle et du DevOps. Par exemple, GitHub Copilot, le « programmeur de paires d’IA » controversé, incite déjà à reconsidérer la façon dont le code est écrit, mais le potentiel de l’IA collaborative reste relativement inexploré dans l’arène DevOps.
Dans cet article, nous nous tournons vers un avenir où l’IA générative permet aux équipes DevOps d’éliminer les répétitions fastidieuses, de renforcer leur automatisation et de condenser les workflows complexes en actions conversationnelles simples. Mais avant tout cela, plongeons dans les problèmes DevOps que l’IA générative peut améliorer.
Quel est le problème avec DevOps ?
DevOps est loin d’être un problème résolu. Alors que l’adoption des mentalités DevOps se développe rapidement d’année en année, le processus reste dépendant de nombreux outils, d’un vivier de talents limité et de tâches répétitives qui ne sont que partiellement automatisées.
Les ingénieurs DevOps peuvent passer trop de temps sur des tâches subalternes qui n’apportent pas de valeur commerciale significative, telles que l’approbation des déploiements, la vérification de l’état des environnements et l’échafaudage des fichiers de configuration de base. Bien qu’inévitables, ces tâches sont des corvées qui ne contribuent pas directement au produit final. Ils sont également d’excellents candidats pour l’IA générative à gérer, avec ChatGPT et Copilot (ou OpenAI Codex sur lequel Copilot est construit) tous potentiellement capables d’atténuer une partie du stress :
- Ils peuvent remplir des fichiers de configuration et des modèles communs, pour que les ingénieurs n’aient pas à le faire.
- Ils aident les membres de l’équipe à acquérir de nouvelles compétences en suggérant des extraits contextuellement pertinents. Cela fournit une assistance en cas de besoin, ce qui réduit la courbe d’apprentissage lors de la mise à niveau.
- Ils réduisent le temps nécessaire pour échafauder de nouveaux actifs et améliorent leur cohérence, contribuant ainsi à améliorer la maintenabilité.
Cependant, les systèmes existants sont limités par leur focalisation étroite sur la génération de contenu. Les assistants DevOps sont plus puissants s’ils offrent également des expériences basées sur l’intention et l’action pour déclencher des étapes de workflow et appliquer des changements d’état. Par exemple, imaginez l’expérience si vous fusionniez la paternité du code de Copilot avec une interface conversationnelle bidirectionnelle :
- Vous pouvez demander à l’assistant de démarrer des processus à la demande, puis être invité à fournir des entrées si nécessaire.
- Les développeurs auraient un accès en libre-service à des tâches potentiellement sensibles, telles que la demande d’un déploiement en production. L’IA effectuerait l’action en toute sécurité en leur nom, minimisant le risque d’erreurs et établissant une barrière de sécurité entre le développeur et l’infrastructure. L’assistant IA pourrait également demander un examen aux membres de l’équipe concernés avant de s’engager dans la procédure pour s’assurer que tout le monde est informé des changements de plate-forme.
- L’IA pourrait vous alerter en temps réel lorsque les métriques de surveillance changent. Par exemple, vous recevrez un message avec un choix d’actions immédiates lorsque les déploiements échouent, qu’une faille de sécurité est détectée ou que les performances s’écartent de la ligne de base.
Surtout, ces capacités ne remplacent pas les humains ou ne changent pas fondamentalement leur rôle. Cette forme d’IA augmente les capacités d’ingénierie en gérant les mécanismes de sécurité banals et en appliquant systématiquement. Cela libère les équipes DevOps pour effectuer un travail plus significatif en moins de temps.
L’avenir du DevOps avec l’IA générative
L’IA générative a un énorme potentiel pour redéfinir le fonctionnement de DevOps. Voici trois domaines spécifiques où il dominera.
1. Détection automatique des pannes, avec des solutions suggérées
Les pannes sont un problème constant pour les développeurs et les opérateurs. Ce sont des interruptions imprévisibles qui forcent un changement de contexte immédiat à donner la priorité à un correctif. Malheureusement, cela entrave la productivité, ralentit les calendriers de publication et cause de la frustration lorsque les travaux de correction ne se déroulent pas comme prévu.
Les agents IA peuvent détecter les défauts et enquêter sur leurs causes. De plus, ils peuvent combiner leur analyse avec des capacités génératives et la connaissance des échecs passés pour suggérer des actions immédiates dans le contexte où l’alerte est affichée.
Prenons un exemple Kubernetes simple : l’assistant remarque que la production est en panne ; se rend compte que le Pod a été expulsé en raison de contraintes de ressources ; et fournit des boutons d’action pour redémarrer le pod, mettre à l’échelle le cluster ou mettre fin à d’autres ressources inutilisées. L’équipe peut résoudre l’incident en un seul clic au lieu de consacrer plusieurs minutes au dépannage manuel.
2. Génération et déploiement de code/configuration à la demande
La capacité de l’IA générative à créer du code offre une valeur incroyable. La superposition des intentions de conversation le rend plus accessible et pratique. Par exemple, vous pouvez demander à un agent IA de configurer un nouveau projet, un fichier de configuration ou une définition d’état Terraform en écrivant un bref message dans une interface de chat. L’agent peut vous inviter à fournir des valeurs pour tous les espaces réservés du modèle, puis informer les parties prenantes appropriées que le contenu est prêt à être révisé.
Une fois l’approbation obtenue, l’IA peut informer le développeur d’origine, lancer le projet dans un environnement en direct et fournir un lien pour afficher le déploiement et commencer à l’itérer. Cela condense plusieurs séquences distinctes en une seule action en libre-service pour les développeurs. Les équipes opérationnelles n’ont pas besoin de provisionner manuellement les ressources du projet au préalable, ce qui leur permet de rester concentrées sur leurs propres tâches.
3. Gestion de flux de travail à la demande pilotée par des invites
La nouvelle génération d’agents IA va au-delà de la simple création de texte et de photos pour prendre en charge des flux de travail entièrement automatisés et pilotés par des invites. Par exemple, l’IA bidirectionnelle vous permet de démarrer des processus en langage naturel, comme « redémarrer le cluster de production » pour interagir avec vos ressources AWS ECS. L’IA n’a pas besoin de savoir quelle plate-forme vous utilisez ou les étapes spécifiques qu’elle doit exécuter. Chez Kubiya.ai, par exemple, nous en profitons déjà pleinement et offrons désormais à nos clients la possibilité de créer n’importe quel flux de travail DevOps via des invites en langage naturel.
Les modèles linguistiques de ces agents sont entraînés par rapport aux vocabulaires de vos services cloud. Lorsque vous demandez le redémarrage d’un cluster, l’agent interprète vos propos à l’aide de sa connaissance du domaine. Par exemple, il sait que votre cluster « de production » s’exécute sur AWS et qu’il doit récupérer les détails du cluster, puis effectuer les bons appels d’API pour le redémarrer, tels que ecs.UpdateService, etc. Vos mots sont directement traduits en workflows pleinement fonctionnels .
De plus, l’aspect bidirectionnel signifie que l’agent d’IA devient encore plus capable au fil du temps. Une fois que vous avez commencé à exécuter vos flux de travail, l’agent s’entraîne également sur eux, ce qui lui permet de suggérer des processus similaires pour des scénarios futurs et de décrire ce que fait réellement chaque flux de travail.
Cette approche permet aux développeurs d’en faire plus sans impliquer les équipes opérationnelles. L’agent d’intelligence artificielle sert d’intermédiaire entre les humains et les plates-formes d’infrastructure, permettant à quiconque de lancer des flux de travail de manière cohérente et sans compromettre la sécurité. Dans le cadre du flux de travail, l’agent peut demander une entrée aux points pertinents, par exemple en vous demandant de sélectionner un compte cloud, une région de centre de données, un type de machine et un niveau de tarification lorsque vous lui demandez « d’ajouter une nouvelle machine virtuelle ».
Le point à retenir : l’IA générative accélère votre travail en toute sécurité
Les cas d’utilisation DevOps pour l’IA générative accélèrent les tâches principales tout en augmentant l’accessibilité, la sécurité et la fiabilité. De plus, ils permettent aux développeurs de se concentrer sur l’avancement avec de nouvelles fonctionnalités au lieu d’exécuter à plusieurs reprises des processus familiers et d’attendre les résultats.
Les agents suffisamment intelligents pour soutenir une conversation agissent comme un autre membre de votre équipe. Ils prennent en charge les développeurs qui pourraient ne pas être familiers avec certains outils tout en s’assurant que les politiques de sécurité et de conformité de l’organisation sont pleinement respectées. Ces garanties protègent la base de code et donnent aux développeurs l’assurance qu’ils peuvent lancer n’importe quel flux de travail. De plus, la réduction du nombre d’interactions avec l’équipe DevOps améliore l’efficacité, en resserrant la boucle de rétroaction.
L’IA générative n’est pas non plus une expérience statique. Il s’améliore au fil du temps car il analyse les interactions pour établir plus précisément l’intention de l’utilisateur. Par exemple, si les recommandations ne conviennent pas la première fois que vous tapez une requête, vous pouvez vous attendre à ce qu’elles soient améliorées au fur et à mesure que vous et d’autres personnes répétez la requête et adoptez des plans d’action différents.
Les agents de l’IA prennent également en charge les connaissances humaines manquantes. Ils permettent aux développeurs de démarrer des processus même lorsqu’ils ne sont pas familiers avec certaines des étapes, des outils ou des termes impliqués. L’IA peut combler les lacunes dans des questions telles que « Quelles instances ont échoué ? » pour déterminer que vous faites référence aux pods Kubernetes de votre cluster de production. Ces capacités permettent à l’IA de compléter efficacement les capacités humaines, ce qui en fait une source d’indices de soutien pour l’équipe.
Le retour sur investissement est essentiel avec l’IA générative
Les organisations qui utilisent régulièrement l’IA obtiendront probablement les meilleurs résultats car leurs agents deviendront plus aptes à anticiper leurs besoins. Cependant, il est également important de ne pas aller trop loin lorsque vous ajoutez l’IA à vos flux de travail. Les adoptions les plus réussies seront axées sur la résolution d’un véritable besoin commercial. Tout d’abord, évaluez vos processus pour identifier les goulots d’étranglement entre les équipes de développement et d’exploitation, puis ciblez ces cas d’utilisation répétitifs avec l’IA.
La solution que vous sélectionnez doit vous aider à atteindre vos KPI, tels que la résolution d’un plus grand nombre de problèmes ou la résolution d’incidents plus rapidement. Sinon, l’agent IA sera sous-utilisé, entravant vos procédures de fonctionnement naturelles.
Résumé
L’IA générative est l’une des technologies les plus matures d’aujourd’hui. En conséquence, ChatGPT a atteint un degré de viralité alors que de plus en plus de chercheurs, de consommateurs et d’organisations commencent à explorer ses capacités. DALL-E2 a fourni des résultats tout aussi spectaculaires, tandis que plus de 1,2 million de développeurs ont utilisé GitHub Copilot au cours de ses 12 premiers mois.
Tous les trois…