Auf einen Blick: Die Integration von KI und ML in DevOps revolutioniert die Automatisierung von Arbeitslasten und führt zu erhöhter Produktivität und Zuverlässigkeit. Unternehmen, die diese Technologien nutzen, erleben kürzere Entwicklungszyklen und eine verbesserte Anwendungsleistung.
- 80 % der Unternehmen haben automatisierte Anwendungs-Workflows in DevOps.
- Die Einführung von KI/ML wird voraussichtlich die Anwendungsleistung und das Geschäftswachstum steigern.
Die DevOps-Reise begann mit der Idee, Barrieren zwischen Entwicklung und Betrieb zu beseitigen. Heute hat sich DevOps zu einer Reihe von Praktiken und Tools entwickelt, die alle Aspekte der Anwendungsentwicklung sowie die Funktionsweise der Anwendungen in der Produktion automatisieren. Jetzt setzen Unternehmen fortschrittliche Ansätze ein, die künstliche Intelligenz (KI)-Techniken wie maschinelles Lernen (ML) nutzen, um den Mehrwert zu maximieren. In diesem Blog werde ich einige neue Forschungsergebnisse von Enterprise Management Associates (EMA) und Perspektiven zur Zukunft der Workload-Automatisierung in DevOps vorstellen. Wir betrachten, wie Unternehmen von der Kombination von KI/ML, DevOps und Automatisierung profitieren, um neue Niveaus in Produktivität, Qualität und Zuverlässigkeit zu erreichen.
In den Anfangsjahren erhielt der Dev-Teil von DevOps den größten Fokus, mit großen Investitionen in kontinuierliche Integration/kontinuierliche Entwicklung (CI/CD) und Infrastrukturautomatisierung. In den letzten fünf Jahren hat der Ops-Bereich den gebührenden Fokus erhalten, und das Aufkommen der Workload Automation als Teil der DevOps-Praktiken ist besonders bemerkenswert. Diese Praxis beinhaltet die Automatisierung und Orchestrierung komplexer und voneinander abhängiger Anwendungsworkflows und Datenpipelines, um kritische Geschäftsdienstleistungen in der Produktion bereitzustellen. Tatsächlich zeigen neue Studien von Enterprise Management Associates (EMA), dass 80 Prozent der Unternehmen die Automatisierung von Anwendungsworkflows in ihre DevOps-Prozesse integriert haben, anstatt sie am Ende eines Release-Zyklus ad-hoc-mäßig zu bearbeiten.
Wenn Sie zu den 80 Prozent der Unternehmen gehören, die bereits Automatisierung von Anwendungs- und Datenlasten in Ihre DevOps-Initiativen integriert haben, brauchen Sie mich nicht um die Vorteile zu erklären. Die Ergebnisse sind eindeutig. Die Integration von Workload-Automatisierung in Anwendungen, Datenpipelines und Geschäftsdienstleistungen, während diese bereits erstellt werden, hat vielen Organisationen geholfen, ihre Entwicklungszyklen und Produktionszeiten zu verkürzen, Zuverlässigkeit und Leistung zu erhöhen und Zeit freizumachen, die für den Aufbau neuer digitaler Geschäftsmöglichkeiten statt für die Wartung bestehender Vermögenswerte verwendet werden kann. Jetzt lernen wir – aus Erfahrung und neuer Forschung –, dass diese Vorteile durch Next-Generation-DevOps-Automatisierung verbessert werden können, die KI/ML in den Prozess integriert.
Beginnen wir damit, uns den aktuellen Stand der Workload-Automatisierung in DevOps anzusehen, der an sich schon ziemlich spannend ist. Heute automatisieren laut der aktuellen EMA-Studie 73 Prozent der Unternehmen Workflows, während Anwendungen entwickelt werden. Dies wird oft als Jobs-as-Code bezeichnet. Die Automatisierung von Anwendungsworkflows und Datenpipelines durch die Behandlung von Jobs als Code ist in nur wenigen Jahren zu einer gängigen Praxis geworden. Dies ist ein Beweis für den nachgewiesenen Wert, den sie bietet, und wie einfach sie sich anpassen lässt. Jobs-as-Code ist eine Praxis, die von Control-M von BMC vorangetrieben wurde. Viele seiner frühen Anwender, wie Carfax, waren maßgeblich daran beteiligt, seinen Wert für den Markt zu beweisen.
"DevOps ist Teil unserer Kultur und das ist schon sehr lange her. Wir sind ein sehr zeit-zu-Markt-Unternehmen, man kann es sich wirklich nicht leisten zu warten. Früher hat es Wochen oder Monate gedauert, einen Prozess durch die Entwicklung zu bringen und in die Produktion zu bringen. Da wir mehr auf Jobs-as-Code, DevOps und offene Philosophie umgestiegen sind, haben wir diesen Zeitraum wirklich verkürzt. Wir können tatsächlich auf Minuten reduzieren." Robert Stinnett, Carfax
Wie wird sich die DevOps-Automatisierung weiter weiterentwickeln? Sie wird mit Hilfe von KI/ML intelligenter werden. Während die Integration von Automatisierung von Anwendungen und Datenpipelines in den DevOps-Prozess für viele Organisationen ein großer Sprung gewesen sein mag, sollte die Einführung von KI/ML eher wie eine Reihe von inkrementellen Schritten sein. Führende Workload-Automatisierungsprodukte bieten heute richtlinienbasierte Automatisierung, bei der Automatisierungsingenieure Regeln auf Basis von Analysen aus den eigenen Metadaten des Workload-Automation-Tools festlegen können.
Zum Beispiel würde eine Richtlinie für Zeiten der Spitzenverarbeitung, in denen die Rechenleistung eine Schwelle überschreitet, dazu führen, dass das Workload-Automatisierungsprodukt mit einer Infrastrukturautomatisierungslösung verbunden ist, um dort zusätzliche Rechen- und Prozesskapazität bereitzustellen, und die bereitgestellten Ressourcen nach Abschluss der Verarbeitung zu beenden. Die natürliche Entwicklung davon wird sein, dass Workload-Automatisierungslösungen eingebettete KI/ML-Algorithmen haben, die solche Muster selbst erlernen und dann Abhilfemaßnahmen empfehlen können, wodurch das System näher an ein selbstverwaltetes Konzept herankommt.
Klingt das zu futuristisch? Weder für uns noch für EMA. Analyst Steve Hendrick schrieb: "ML wird Qualitätsverbesserungen vorantreiben, was weitreichende Vorteile bei Anwendungsleistung, Zuverlässigkeit, OpEx-Effizienz, Kosteneinsparungen und Kundenzufriedenheit bringt. KI folgt als zweite Innovationswelle, die auf ML basiert und eine umfangreiche Automatisierung ermöglicht. Diese Automatisierung kann eine höhere Geschwindigkeit bei der Bereitstellung neuer Anwendungen und Aktualisierung von Anwendungen sowie eine höhere Produktivität der Mitarbeiter bedeuten – all das verkürzt die SDLC-Zykluszeit und lässt mehr Zeit für höherwertige Entwicklungsarbeiten."
Die Mehrheit der von EMA befragten IT-Betriebsexperten glaubt, dass die Einführung von KI/ML in DevOps die Anwendungsleistung, die Anwendungsinnovation und das Design sowie das Gesamtumsatzwachstum verbessern wird. Viele Entwickler stimmen zu, und die Mehrheit glaubt, dass KI/ML die Bereitstellung neuer Anwendungen beschleunigen wird. Beide Gruppen nannten viele weitere erwartete Vorteile.
Der Markt ist jedoch noch nicht ganz so weit. Während viele Unternehmen der Nutzung von künstlicher Intelligenz und maschinellem Lernen große Priorität eingemessen haben, stoßen diejenigen, die ihre Nutzung der Workload-Automatisierung in DevOps erkunden, auf einige Hindernisse. Natürlich gibt es offensichtliche Verdächtige, die Innovationen typischerweise einschränken – Schwierigkeiten bei der Strategieentwicklung und der Suche nach qualifiziertem Personal. Die Forschung von EMA ergab jedoch auch, dass laut Entwicklern und IT-Betriebsmitarbeitern eine besondere Herausforderung bei der weiteren Automatisierung von DevOps darin besteht, Werkzeuge mit KI/ML-Fähigkeiten zu finden und diese in die Toolchain und Prozesse zu integrieren. Erwarten Sie, dass zukünftige Versionen von Workload-Automatisierungslösungen mehr integrierte kognitive Technologiefunktionen enthalten, um diese Anforderungen zu erfüllen.
Unterm Strich entwickelt sich der Markt für Anwendungs- und Datenpipeline-Workload-Automatisierung kontinuierlich weiter, um den Unternehmensanforderungen gerecht zu werden, und Control-M steht an vorderster Front. Der aktuelle Wunsch nach künstlicher Intelligenz und maschinellem Lernen gibt einen Hinweis darauf, wohin sich der Markt als Nächstes entwickeln könnte. Bleiben Sie dran und besuchen Sie bis dahin die Control-M-Website, um weitere Analystenforschungsberichte zu durchstöbern, mehr über den Jobs-as-Code-Ansatz zu erfahren und Erfahrungsberichte von Kunden zu sehen, die Workload-Automatisierung in DevOps eingeführt haben.
- Lesen Sie den vollständigen Bericht von EMA – KI & ML: Die nächste Generation in DevOps und Workload-Automatisierung vorantreiben
Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.