Στη μηχανική λογισμικού, υπάρχει άμεση συσχέτιση μεταξύ της απόδοσης της ομάδας και της δημιουργίας ισχυρών, σταθερών εφαρμογών. Η κοινότητα δεδομένων στοχεύει να υιοθετήσει τις αυστηρές αρχές μηχανικής που χρησιμοποιούνται συνήθως στην ανάπτυξη λογισμικού στις δικές της πρακτικές, οι οποίες περιλαμβάνουν συστηματικές προσεγγίσεις για το σχεδιασμό, την ανάπτυξη, τη δοκιμή και τη συντήρηση. Αυτό απαιτεί προσεκτικό συνδυασμό εφαρμογών και μετρήσεων για να παρέχει πλήρη επίγνωση, ακρίβεια και έλεγχο. Σημαίνει αξιολόγηση όλων των πτυχών της απόδοσης μιας ομάδας, με έμφαση στη συνεχή βελτίωση, και ισχύει εξίσου για το mainframe όσο και για τα κατανεμημένα περιβάλλοντα και τα περιβάλλοντα cloud—ίσως περισσότερο.

Αυτό επιτυγχάνεται μέσω πρακτικών όπως η υποδομή ως κώδικας (IaC) για αναπτύξεις, οι αυτοματοποιημένες δοκιμές, η παρατηρησιμότητα της εφαρμογής και η πλήρης ιδιοκτησία του κύκλου ζωής της εφαρμογής. Μέσα από χρόνια έρευνας, το Έρευνα και αξιολόγηση DevOps (DORA) Η ομάδα έχει εντοπίσει τέσσερις βασικές μετρήσεις που υποδεικνύουν την απόδοση μιας ομάδας ανάπτυξης λογισμικού:

• Συχνότητα ανάπτυξης – Πόσο συχνά ένας οργανισμός κυκλοφορεί με επιτυχία στην παραγωγή
• Χρόνος για αλλαγές – Ο χρόνος που χρειάζεται μια δέσμευση για να μπει στην παραγωγή
• Αλλαγή ποσοστού αποτυχίας – Το ποσοστό των αναπτύξεων που προκαλούν αστοχία στην παραγωγή
• Ώρα για αποκατάσταση της υπηρεσίας – Πόσος χρόνος χρειάζεται ένας οργανισμός για να συνέλθει από μια αποτυχία στην παραγωγή

Αυτές οι μετρήσεις παρέχουν έναν ποσοτικό τρόπο μέτρησης της αποτελεσματικότητας και της αποδοτικότητας των πρακτικών DevOps. Αν και μεγάλο μέρος της εστίασης γύρω από την ανάλυση των DevOps είναι στις κατανεμημένες τεχνολογίες και στις τεχνολογίες cloud, το mainframe εξακολουθεί να διατηρεί μια μοναδική και ισχυρή θέση και μπορεί να χρησιμοποιήσει τις μετρήσεις DORA 4 για να προωθήσει τη φήμη του ως η μηχανή του εμπορίου.

Αυτή η ανάρτηση ιστολογίου περιγράφει τον τρόπο προσθήκης του λογισμικού BMC AWS Generative AI δυνατότητες του προϊόντος της BMC AMI zAdviser Enterprise. Ο zAdviser χρησιμοποιεί Θεμέλιο του Αμαζονίου να παρέχει σύνοψη, ανάλυση και συστάσεις για βελτίωση με βάση τα δεδομένα μετρήσεων DORA.

Προκλήσεις παρακολούθησης μετρήσεων DORA 4

Η παρακολούθηση των μετρήσεων του DORA 4 σημαίνει τη συγκέντρωση των αριθμών και την τοποθέτησή τους σε έναν πίνακα ελέγχου. Ωστόσο, η μέτρηση της παραγωγικότητας είναι ουσιαστικά η μέτρηση της απόδοσης των ατόμων, η οποία μπορεί να τα κάνει να αισθάνονται εξονυχιστικά. Αυτή η κατάσταση μπορεί να απαιτήσει μια αλλαγή στην οργανωσιακή κουλτούρα για να επικεντρωθεί στα συλλογικά επιτεύγματα και να τονιστεί ότι τα εργαλεία αυτοματισμού ενισχύουν την εμπειρία του προγραμματιστή.

Είναι επίσης ζωτικής σημασίας να αποφύγετε την εστίαση σε άσχετες μετρήσεις ή την υπερβολική παρακολούθηση δεδομένων. Η ουσία των μετρήσεων DORA είναι η απόσταξη πληροφοριών σε ένα βασικό σύνολο βασικών δεικτών απόδοσης (KPIs) για αξιολόγηση. Ο μέσος χρόνος επαναφοράς (MTTR) είναι συχνά ο απλούστερος KPI για παρακολούθηση—οι περισσότεροι οργανισμοί χρησιμοποιούν εργαλεία όπως το BMC Helix ITSM ή άλλα που καταγράφουν συμβάντα και προβλήματα παρακολούθησης.

Η σύλληψη του χρόνου παράδοσης για αλλαγές και το ποσοστό αποτυχίας αλλαγών μπορεί να είναι πιο δύσκολη, ειδικά σε μεγάλους υπολογιστές. Χρόνος παράδοσης για αλλαγές και αλλαγές ποσοστού αποτυχίας KPI συγκεντρώνουν δεδομένα από δεσμεύσεις κώδικα, αρχεία καταγραφής και αυτοματοποιημένα αποτελέσματα δοκιμών. Η χρήση ενός SCM που βασίζεται σε Git συγκεντρώνει αυτές τις πληροφορίες απρόσκοπτα. Οι ομάδες mainframe που χρησιμοποιούν την πλατφόρμα DevOps που βασίζεται σε Git της BMC, AMI DevX, μπορούν να συλλέξουν αυτά τα δεδομένα όσο εύκολα μπορούν οι κατανεμημένες ομάδες.

Επισκόπηση λύσεων

Το Amazon Bedrock είναι μια πλήρως διαχειριζόμενη υπηρεσία που προσφέρει μια επιλογή από μοντέλα θεμελίωσης υψηλής απόδοσης (FM) από κορυφαίες εταιρείες τεχνητής νοημοσύνης όπως AI21 Labs, Anthropic, Cohere, Meta, Stability AI και Amazon μέσω ενός μόνο API, μαζί με ένα ευρύ σύνολο δυνατότητες που χρειάζεστε για να δημιουργήσετε παραγωγικές εφαρμογές τεχνητής νοημοσύνης με ασφάλεια, απόρρητο και υπεύθυνη τεχνητή νοημοσύνη.

Το BMC AMI zAdviser Enterprise παρέχει ένα ευρύ φάσμα KPI DevOps για τη βελτιστοποίηση της ανάπτυξης mainframe και τη δυνατότητα στις ομάδες να εντοπίζουν και να επιλύουν προληπτικά ζητήματα. Χρησιμοποιώντας τη μηχανική εκμάθηση, το AMI zAdviser παρακολουθεί τη δημιουργία, τη δοκιμή και την ανάπτυξη λειτουργιών σε όλες τις αλυσίδες εργαλείων DevOps και στη συνέχεια προσφέρει συστάσεις με τεχνητή νοημοσύνη για συνεχή βελτίωση. Εκτός από τη λήψη και την υποβολή αναφορών σχετικά με τους δείκτες απόδοσης ανάπτυξης, το zAdviser συλλαμβάνει δεδομένα σχετικά με τον τρόπο με τον οποίο υιοθετούνται και χρησιμοποιούνται τα προϊόντα BMC DevX. Αυτό περιλαμβάνει τον αριθμό των προγραμμάτων που διορθώθηκαν, το αποτέλεσμα των προσπαθειών δοκιμών με χρήση των εργαλείων δοκιμής DevX και πολλά άλλα σημεία δεδομένων. Αυτά τα πρόσθετα σημεία δεδομένων μπορούν να παρέχουν βαθύτερη εικόνα των KPI ανάπτυξης, συμπεριλαμβανομένων των μετρήσεων DORA, και μπορούν να χρησιμοποιηθούν σε μελλοντικές προσπάθειες παραγωγής τεχνητής νοημοσύνης με το Amazon Bedrock.

Το παρακάτω διάγραμμα αρχιτεκτονικής δείχνει την τελική υλοποίηση του zAdviser Enterprise που χρησιμοποιεί τη γενετική τεχνητή νοημοσύνη για την παροχή σύνοψης, ανάλυσης και συστάσεων για βελτίωση με βάση τα δεδομένα KPI μετρήσεων DORA.

Η ροή εργασιών λύσης περιλαμβάνει τα ακόλουθα βήματα:

1. Δημιουργήστε το ερώτημα συνάθροισης για να ανακτήσετε τις μετρήσεις από το Elasticsearch.
2. Εξαγάγετε τα αποθηκευμένα δεδομένα μετρήσεων mainframe από το zAdviser, το οποίο φιλοξενείται Amazon Elastic Compute Cloud (Amazon EC2) και αναπτύχθηκε στο AWS.
3. Συγκεντρώστε τα δεδομένα που ανακτήθηκαν από το Elasticsearch και σχηματίστε την προτροπή για τη γενετική κλήση AI Amazon Bedrock API.
4. Περάστε τη γενετική προτροπή AI στο Amazon Bedrock (χρησιμοποιώντας το μοντέλο Claude2 της Anthropic στο Amazon Bedrock).
5. Αποθηκεύστε την απάντηση από το Amazon Bedrock (ένα έγγραφο με μορφοποίηση HTML) στο Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
6. Ενεργοποιήστε τη διαδικασία ηλεκτρονικού ταχυδρομείου KPI μέσω AWS Lambda:
   1. Το email με μορφή HTML εξάγεται από το Amazon S3 και προστίθεται στο σώμα του μηνύματος ηλεκτρονικού ταχυδρομείου.
   2. Το PDF για KPI πελατών εξάγεται από το zAdviser και επισυνάπτεται στο email.
   3. Το email αποστέλλεται στους συνδρομητές.

Το παρακάτω στιγμιότυπο οθόνης δείχνει τη σύνοψη LLM των μετρήσεων DORA που δημιουργήθηκαν χρησιμοποιώντας το Amazon Bedrock και αποστέλλονται ως μήνυμα ηλεκτρονικού ταχυδρομείου στον πελάτη, με ένα συνημμένο PDF που περιέχει την αναφορά πίνακα εργαλείων KPI μετρήσεων DORA από το zAdviser.

Βασικά καραβάνια

Σε αυτήν τη λύση, δεν χρειάζεται να ανησυχείτε για την έκθεση των δεδομένων σας στο διαδίκτυο όταν αποστέλλονται σε έναν πελάτη τεχνητής νοημοσύνης. Η κλήση API προς το Amazon Bedrock δεν περιέχει στοιχεία προσωπικής ταυτοποίησης (PII) ή δεδομένα που θα μπορούσαν να ταυτοποιήσουν έναν πελάτη. Τα μόνα δεδομένα που μεταδίδονται αποτελούνται από αριθμητικές τιμές με τη μορφή των μετρικών KPI της DORA και οδηγίες για τις λειτουργίες της γεννήτριας τεχνητής νοημοσύνης. Είναι σημαντικό ότι το πρόγραμμα-πελάτης τεχνητής νοημοσύνης που δημιουργείται δεν διατηρεί, δεν μαθαίνει ή δεν αποθηκεύει αυτά τα δεδομένα.

Η ομάδα μηχανικών zAdviser κατάφερε να εφαρμόσει γρήγορα αυτήν τη δυνατότητα μέσα σε σύντομο χρονικό διάστημα. Η ταχεία πρόοδος διευκολύνθηκε από τις σημαντικές επενδύσεις του zAdviser σε υπηρεσίες AWS και, κυρίως, από την ευκολία χρήσης του Amazon Bedrock μέσω κλήσεων API. Αυτό υπογραμμίζει τη μετασχηματιστική δύναμη της γενετικής τεχνολογίας AI που ενσωματώνεται στο Amazon Bedrock API. Αυτό το API, εξοπλισμένο με το ειδικό χώρο αποθήκευσης γνώσης zAdviser Enterprise και προσαρμοσμένο με μετρήσεις DevOps που συλλέγονται συνεχώς για συγκεκριμένους οργανισμούς, καταδεικνύει τις δυνατότητες της τεχνητής νοημοσύνης σε αυτόν τον τομέα.

Το Generative AI έχει τη δυνατότητα να μειώσει το εμπόδιο εισόδου για τη δημιουργία οργανισμών με γνώμονα την AI. Ιδιαίτερα τα μεγάλα γλωσσικά μοντέλα (LLM) μπορούν να αποφέρουν τεράστια αξία σε επιχειρήσεις που επιδιώκουν να εξερευνήσουν και να χρησιμοποιήσουν μη δομημένα δεδομένα. Πέρα από τα chatbot, τα LLM μπορούν να χρησιμοποιηθούν σε μια ποικιλία εργασιών, όπως ταξινόμηση, επεξεργασία και σύνοψη.

Συμπέρασμα

Αυτή η ανάρτηση εξέτασε τον μετασχηματιστικό αντίκτυπο της γενετικής τεχνολογίας AI με τη μορφή Amazon Bedrock API εξοπλισμένων με τις ειδικές για τον κλάδο γνώσεις που κατέχει το BMC zAdviser, προσαρμοσμένες με μετρήσεις DevOps για συγκεκριμένους οργανισμούς που συλλέγονται σε συνεχή βάση.

Ελέγξτε το Ιστοσελίδα BMC για να μάθετε περισσότερα και να ρυθμίσετε μια επίδειξη.

Σχετικά με τους Συγγραφείς

Σουνίλ Μπέμαρκαρ είναι Sr. Partner Solutions Architect στο Amazon Web Services. Συνεργάζεται με διάφορους Ανεξάρτητους Προμηθευτές Λογισμικού (ISV) και Στρατηγικούς πελάτες σε διάφορες βιομηχανίες για να επιταχύνει το ταξίδι ψηφιακού μετασχηματισμού και την υιοθέτηση του cloud.

Vij Balakrishna είναι Ανώτερος Διευθυντής Ανάπτυξης Συνεργατών στην Amazon Web Services. Βοηθά τους ανεξάρτητους προμηθευτές λογισμικού (ISV) σε όλες τις βιομηχανίες να επιταχύνουν το ταξίδι τους στον ψηφιακό μετασχηματισμό.

Σπένσερ Χάλμαν είναι ο Lead Product Manager για την BMC AMI zAdviser Enterprise. Προηγουμένως, ήταν ο Product Manager για το BMC AMI Strobe και το BMC AMI Ops Automation για το Batch Thruput. Πριν από τη Διαχείριση προϊόντων, ο Spencer ήταν ο ειδικός σε θέματα για την απόδοση Mainframe. Η πολυσχιδής εμπειρία του όλα αυτά τα χρόνια περιλαμβάνει επίσης προγραμματισμό σε πολλές πλατφόρμες και γλώσσες, καθώς και εργασία στον τομέα της Επιχειρησιακής Έρευνας. Έχει μεταπτυχιακό στη Διοίκηση Επιχειρήσεων με εστίαση στην Επιχειρησιακή Έρευνα από το Πανεπιστήμιο Temple και πτυχίο Επιστήμης στην Επιστήμη Υπολογιστών από το Πανεπιστήμιο του Βερμόντ. Ζει στο Devon, PA και όταν δεν παρακολουθεί εικονικές συναντήσεις, του αρέσει να περπατά τα σκυλιά του, να κάνει ποδήλατο και να περνά χρόνο με την οικογένειά του.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/achieve-devops-maturity-with-bmc-ami-zadviser-enterprise-and-amazon-bedrock/