في هندسة البرمجيات، هناك علاقة مباشرة بين أداء الفريق وبناء تطبيقات قوية ومستقرة. يهدف مجتمع البيانات إلى اعتماد المبادئ الهندسية الصارمة المستخدمة عادة في تطوير البرمجيات في ممارساتهم الخاصة، والتي تتضمن أساليب منهجية للتصميم والتطوير والاختبار والصيانة. ويتطلب ذلك الجمع بين التطبيقات والمقاييس بعناية لتوفير الوعي الكامل والدقة والتحكم. ويعني تقييم جميع جوانب أداء الفريق، مع التركيز على التحسين المستمر، وينطبق على الحواسيب المركزية بقدر ما ينطبق على البيئات الموزعة والسحابية - وربما أكثر.

ويتم تحقيق ذلك من خلال ممارسات مثل البنية التحتية كرمز (IaC) لعمليات النشر والاختبار الآلي وإمكانية ملاحظة التطبيق وملكية دورة حياة التطبيق الكاملة. من خلال سنوات من البحث، أبحاث وتقييم DevOps (DORA) حدد الفريق أربعة مقاييس رئيسية تشير إلى أداء فريق تطوير البرمجيات:

• تردد النشر – عدد المرات التي تقوم فيها المنظمة بالإصدار بنجاح إلى الإنتاج
• المهلة الزمنية للتغييرات – مقدار الوقت الذي يستغرقه الالتزام للدخول في الإنتاج
• تغيير معدل الفشل – نسبة عمليات النشر التي تسببت في فشل الإنتاج
• حان الوقت لاستعادة الخدمة – كم من الوقت تستغرق المنظمة للتعافي من الفشل في الإنتاج

توفر هذه المقاييس طريقة كمية لقياس فعالية وكفاءة ممارسات DevOps. على الرغم من أن الكثير من التركيز حول تحليل DevOps ينصب على التقنيات الموزعة والسحابية، إلا أن الحاسوب المركزي لا يزال يحتفظ بمكانة فريدة وقوية، ويمكنه استخدام مقاييس DORA 4 لتعزيز سمعته كمحرك للتجارة.

يناقش منشور المدونة هذا كيفية إضافة برنامج BMC الذكاء الاصطناعي التوليدي من AWS القدرات لمنتجها BMC AMI zAdviser المؤسسة. يستخدم zAdviser أمازون بيدروك لتقديم تلخيص وتحليل وتوصيات للتحسين بناءً على بيانات مقاييس DORA.

تحديات تتبع مقاييس DORA 4

إن تتبع مقاييس DORA 4 يعني تجميع الأرقام معًا ووضعها على لوحة القيادة. ومع ذلك، فإن قياس الإنتاجية هو في الأساس قياس أداء الأفراد، مما قد يجعلهم يشعرون بالتدقيق. قد يستلزم هذا الموقف تحولًا في الثقافة التنظيمية للتركيز على الإنجازات الجماعية والتأكيد على أن أدوات الأتمتة تعمل على تحسين تجربة المطور.

ومن الضروري أيضًا تجنب التركيز على مقاييس غير ذات صلة أو تتبع البيانات بشكل مفرط. يتمثل جوهر مقاييس DORA في استخلاص المعلومات في مجموعة أساسية من مؤشرات الأداء الرئيسية (KPIs) للتقييم. غالبًا ما يكون متوسط ​​وقت الاستعادة (MTTR) هو أبسط مؤشرات الأداء الرئيسية التي يمكن تتبعها - تستخدم معظم المؤسسات أدوات مثل BMC Helix ITSM أو غيرها من الأدوات التي تسجل الأحداث وتتبع المشكلات.

يمكن أن يكون تسجيل المهلة الزمنية للتغييرات ومعدل فشل التغيير أكثر صعوبة، خاصة على الحواسيب المركزية. المهلة الزمنية للتغييرات ومعدل فشل التغيير لمؤشرات الأداء الرئيسية (KPIs) تجمع البيانات من عمليات تنفيذ التعليمات البرمجية وملفات السجل ونتائج الاختبار الآلي. يؤدي استخدام SCM المستند إلى Git إلى تجميع هذه الرؤى معًا بسلاسة. يمكن لفرق الحواسيب المركزية التي تستخدم منصة DevOps المستندة إلى Git من BMC، AMI DevX، جمع هذه البيانات بسهولة مثل الفرق الموزعة.

حل نظرة عامة

Amazon Bedrock هي خدمة مُدارة بالكامل توفر مجموعة مختارة من نماذج الأساس عالية الأداء (FMs) من شركات الذكاء الاصطناعي الرائدة مثل AI21 Labs وAnthropic وCohere وMeta وStability AI وAmazon عبر واجهة برمجة تطبيقات واحدة، إلى جانب مجموعة واسعة من القدرات التي تحتاجها لإنشاء تطبيقات ذكاء اصطناعي منتجة تتمتع بالأمان والخصوصية والذكاء الاصطناعي المسؤول.

يوفر BMC AMI zAdviser Enterprise مجموعة واسعة من مؤشرات الأداء الرئيسية لـ DevOps لتحسين تطوير الحاسب المركزي وتمكين الفرق من تحديد المشكلات وحلها بشكل استباقي. باستخدام التعلم الآلي، يقوم AMI zAdviser بمراقبة وظائف بناء الكمبيوتر المركزي واختبارها ونشرها عبر سلاسل أدوات DevOps ثم يقدم توصيات قائمة على الذكاء الاصطناعي للتحسين المستمر. بالإضافة إلى التقاط مؤشرات الأداء الرئيسية للتطوير والإبلاغ عنها، يلتقط zAdviser بيانات حول كيفية اعتماد منتجات BMC DevX واستخدامها. يتضمن ذلك عدد البرامج التي تم تصحيح أخطائها، ونتيجة جهود الاختبار باستخدام أدوات اختبار DevX، والعديد من نقاط البيانات الأخرى. يمكن أن توفر نقاط البيانات الإضافية هذه رؤية أعمق لمؤشرات الأداء الرئيسية للتطوير، بما في ذلك مقاييس DORA، ويمكن استخدامها في جهود الذكاء الاصطناعي التوليدية المستقبلية مع Amazon Bedrock.

يوضح الرسم التخطيطي للبنية التالية التنفيذ النهائي لـ zAdviser Enterprise باستخدام الذكاء الاصطناعي التوليدي لتوفير التلخيص والتحليل والتوصيات للتحسين بناءً على بيانات مؤشرات الأداء الرئيسية لمقاييس DORA.

يتضمن سير عمل الحل الخطوات التالية:

1. قم بإنشاء استعلام تجميعي لاسترداد المقاييس من Elasticsearch.
2. قم باستخراج بيانات مقاييس الحاسب المركزي المخزنة من zAdviser، الذي يتم استضافته في الأمازون الحوسبة المرنة السحابية (Amazon EC2) وتم نشره في AWS.
3. قم بتجميع البيانات التي تم استردادها من Elasticsearch وقم بتكوين المطالبة لاستدعاء AI Amazon Bedrock API المولد.
4. قم بتمرير موجه الذكاء الاصطناعي التوليدي إلى Amazon Bedrock (باستخدام نموذج Anthropic's Claude2 على Amazon Bedrock).
5. قم بتخزين الاستجابة من Amazon Bedrock (مستند بتنسيق HTML) في خدمة تخزين أمازون البسيطة (أمازون S3).
6. قم بتشغيل عملية البريد الإلكتروني لمؤشر الأداء الرئيسي عبر AWS لامدا:
   1. يتم استخراج البريد الإلكتروني بتنسيق HTML من Amazon S3 وإضافته إلى نص البريد الإلكتروني.
   2. يتم استخراج ملف PDF الخاص بمؤشرات الأداء الرئيسية للعملاء من zAdviser وإرفاقه بالبريد الإلكتروني.
   3. يتم إرسال البريد الإلكتروني إلى المشتركين.

تعرض لقطة الشاشة التالية تلخيص LLM لمقاييس DORA التي تم إنشاؤها باستخدام Amazon Bedrock وإرسالها كرسالة بريد إلكتروني إلى العميل، مع مرفق PDF يحتوي على تقرير لوحة معلومات مؤشرات الأداء الرئيسية لمقاييس DORA بواسطة zAdviser.

الوجبات الرئيسية

في هذا الحل، لا داعي للقلق بشأن كشف بياناتك على الإنترنت عند إرسالها إلى عميل الذكاء الاصطناعي. لا يحتوي استدعاء واجهة برمجة التطبيقات (API) إلى Amazon Bedrock على أي معلومات تعريف شخصية (PII) أو أي بيانات يمكنها تحديد هوية العميل. تتكون البيانات الوحيدة المرسلة من قيم رقمية في شكل مؤشرات الأداء الرئيسية المترية لـ DORA وتعليمات لعمليات الذكاء الاصطناعي التوليدي. الأهم من ذلك، أن عميل الذكاء الاصطناعي المنتج لا يحتفظ بهذه البيانات أو يتعلم منها أو يخزنها مؤقتًا.

نجح فريق zAdviser الهندسي في تنفيذ هذه الميزة بسرعة خلال فترة زمنية قصيرة. تم تسهيل التقدم السريع من خلال استثمار zAdviser الكبير في خدمات AWS، والأهم من ذلك، سهولة استخدام Amazon Bedrock عبر مكالمات API. وهذا يؤكد القوة التحويلية لتقنية الذكاء الاصطناعي التوليدية المتجسدة في Amazon Bedrock API. تُظهر واجهة برمجة التطبيقات هذه، المجهزة بمستودع المعرفة الخاص بالصناعة zAdviser Enterprise والمخصصة بمقاييس DevOps الخاصة بالمؤسسة والتي يتم جمعها باستمرار، إمكانات الذكاء الاصطناعي في هذا المجال.

يتمتع الذكاء الاصطناعي التوليدي بالقدرة على تقليل العوائق أمام الدخول لبناء مؤسسات تعتمد على الذكاء الاصطناعي. يمكن لنماذج اللغات الكبيرة (LLMs) على وجه الخصوص أن تحقق قيمة هائلة للمؤسسات التي تسعى إلى استكشاف البيانات غير المنظمة واستخدامها. بخلاف روبوتات الدردشة، يمكن استخدام LLMs في مجموعة متنوعة من المهام، مثل التصنيف والتحرير والتلخيص.

وفي الختام

ناقش هذا المنشور التأثير التحويلي لتكنولوجيا الذكاء الاصطناعي التوليدية في شكل واجهات برمجة تطبيقات Amazon Bedrock المجهزة بالمعرفة الخاصة بالصناعة التي تمتلكها BMC zAdviser، والمصممة بمقاييس DevOps الخاصة بالمؤسسة والتي يتم جمعها بشكل مستمر.

افحص موقع BMC لمعرفة المزيد وإعداد العرض التوضيحي.

حول المؤلف

سونيل بيماركار هو مهندس حلول الشركاء الأول في Amazon Web Services. إنه يعمل مع العديد من بائعي البرامج المستقلين (ISVs) والعملاء الاستراتيجيين عبر الصناعات لتسريع رحلة التحول الرقمي واعتماد السحابة.

فيج بالاكريشنا هو مدير تطوير الشركاء الأول في Amazon Web Services. إنها تساعد بائعي البرامج المستقلين (ISVs) عبر الصناعات على تسريع رحلة التحول الرقمي الخاصة بهم.

سبنسر هولمان هو مدير المنتج الرئيسي لـ BMC AMI zAdviser Enterprise. في السابق، كان يشغل منصب مدير المنتج لشركة BMC AMI Strobe وBMC AMI Ops Automation لشركة Batch Thruput. قبل عمله في إدارة المنتجات، كان سبنسر هو الخبير المختص بأداء الحواسيب المركزية. وشملت خبرته المتنوعة على مر السنين أيضًا البرمجة على منصات ولغات متعددة بالإضافة إلى العمل في مجال أبحاث العمليات. حصل على درجة الماجستير في إدارة الأعمال مع التركيز على بحوث العمليات من جامعة تمبل وبكالوريوس العلوم في علوم الكمبيوتر من جامعة فيرمونت. يعيش في ديفون بولاية بنسلفانيا، وعندما لا يحضر اجتماعات افتراضية، يستمتع بتمشية كلابه وركوب دراجته وقضاء الوقت مع عائلته.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://aws.amazon.com/blogs/machine-learning/achieve-devops-maturity-with-bmc-ami-zadviser-enterprise-and-amazon-bedrock/