平台工程团队现在寻求能够自动化文档、查找错误甚至提出编码建议的智能平台。
译自 Integrating AI to Make Platform Engineering Intelligent，作者 Michel Murabito。
想象一下一个能够学习和适应您需求的软件解决方案。这就是由 AI 驱动的智能应用程序的强大功能。这些智能应用程序超越了基本功能，利用机器学习 (ML)、自然语言处理和其他尖端的 AI 技术来个性化您的体验、进行预测和自动化操作。
这种自动化为开发人员和更广泛的开发人员体验带来的改进，将我们带到了另一种创新方法：平台工程。平台工程是一门新兴学科，描述了如何设计、开发和维护软件平台以进行扩展跨多个团队的 DevOps。
自然而然，企业都在争相挖掘这种潜力：根据 Gartner 的数据，到 2027 年，75% 的组织将从多个点解决方案切换到 DevOps 平台以简化应用程序交付——高于 2023 年的 25%。因此，许多组织正在寻求将 AI 集成到平台工程中，以缩短上市时间并改善软件开发周期和开发人员体验。
我们来讨论以下内容：
- 智能开发人员平台的兴起。
- 平台工程中的 AI 增强型软件开发生命周期 (SDLC)。
- AI 驱动的平台工程的优势和挑战。
根据Gartner 技术采用路线图，针对 IT 领导者，内部开发人员门户被认为是 2022-2024 年为改善开发人员体验而试用的最频繁的技术。内部开发人员门户充当开发人员可以发现和访问内部开发人员平台功能的界面。
虽然这些门户提供了自助服务功能以改善开发人员体验，但对提供最佳效率、可靠性、适应性和降低成本的解决方案的需求仍在不断增长。
许多组织已转向利用 AI 简化其 IT 运营的开发流程的平台。因此，平台工程团队现在寻求能够自动化任务、提供 AI 生成的文档、分析代码错误甚至根据输入生成代码或开发建议的智能开发人员平台。
这些智能平台承诺提供尽可能少的开销的无摩擦自助服务开发人员体验，并正在迅速成为数字化转型的支柱。
自 AI 和 ML 进入技术领域以来，AI 增强在多个开发工具和平台中的使用已显着增加，例如 GitHub 的 Copilot、Google 的 Bard 和 OpenAI。AI 增强与整个软件开发生命周期交织在一起，从规划、设计、开发、测试、部署和持续维护，使开发人员能够更有效、更快速地创建应用程序。我们来看几个例子。
AI 和 ML 平台正在增强软件开发生命周期的各个方面，使开发人员能够自动化广泛的任务，从而提高生产力、降低成本并提供新的增长机会。这在利用先进的大语言模型 (LLM) 和 ML 算法的 AI 驱动的软件开发中很明显，这些模型展示了卓越的代码生成、代码审查和测试能力，以改善开发人员体验。
使用这些深度学习技术和海量数据集训练的 AI 模型通常充当个性化编码助手和智能协作者，提供见解、建议和自动化以简化开发。这对主要专注于为开发人员和产品工程师设计和构建高效可靠平台的工程师有益。使 AI 能够访问开发人员环境——源代码、问题跟踪器和可访问的文档可以帮助平台团队创建一个更引人注目的内部开发人员平台。
人工智能增强平台正在各个层面加速、扩展、自动化和优化 SDLC 及基础设施。例如，人工智能增强平台现已用于简化组织优化其计算、存储和网络资源的方式。从计算能力到存储管理和网络优化，它们使组织能够微调其运营、提高性能需求并驾驭现代 IT 基础设施的复杂性。
人工智能和机器学习正在通过自动化数据流程、引入敏捷性和高效性来分析海量数据集，从而改变数据准备、管理和摄取方式。将人工智能功能整合到数据集成中通过自动化数据准备提供了一个现成的解决方案。人工智能系统可以使用自然语言处理 (NLP) 来分析数据源描述、用户查询和元数据，以改进数据发现。
支持人工智能的平台可自动化例行任务并提供智能代码建议，从而节省开发人员的时间并增强创造力和创新能力。因此，越来越多的开发人员热衷于利用人工智能来提高他们的编码效率和解决问题的能力。这在GitHub 的 2023 年调查中很明显，该调查揭示了人工智能对开发者体验的影响。
将人工智能集成到 SDLC 为提高平台和开发团队的生产力和满意度 提供了激动人心的可能性。然而，与任何事物一样，它也有缺点。
让我们看看两方面。
优点
- 由于人工智能增强平台可以轻松分析客户反馈、使用数据和其他相关数据源，因此企业、平台和开发团队可以根据更准确的数据做出决策。
- 它们为您的应用程序提供实时见解和性能监控，并针对可能发生的任何问题提出改进建议。
- 人工智能增强平台自动执行某些任务，例如数据分析和产品测试，从而减少了产品开发过程中对人力资源的需求。
- 支持人工智能的平台提高了开发环境中的可发现性和效率，为开发人员、平台工程师和经理提供支持。
缺点
至关重要的是要认识到人工智能除了这些好处之外还存在一定的局限性。负责在平台工程中实施人工智能的人员必须深入了解人工智能可能带来的安全问题。此类问题可能与训练模型的源数据的质量和可靠性固有相关。
例如，如果模型是使用被认为健壮且安全的代码和模式进行训练的，然后在该代码上发现了零日漏洞，那么所有借助该模型构建的应用程序都将变得脆弱。
安全问题也可能与人工智能的滥用有关。例如，正在使用不太熟悉的语言开发新微服务的一位开发人员可能会要求人工智能从另一种语言翻译一个函数，而没有向人工智能提供上下文，也不知道该函数是目标语言的反模式。
为了降低这些风险，平台工程师必须：
- 为安全问题构建一个可靠的监控系统。
- 在发生安全问题时做好管理准备。
- 持续改进源数据，删除并解决已知问题。
- 根据新的最佳实践和业务需求训练人工智能。
- 创建黄金路径，防止关键流程在没有人工监督的情况下完全由人工智能管理。
平台工程和人工智能是技术创新的新浪潮，可以极大地改变开发团队的工作方式。它们正在推动组织在当今 SDLC 中采用软件交付方式的根本性转变。因此，许多组织热衷于抓住这一行业趋势，以提高其竞争优势和生产力，节省资金并改善开发者体验。
如果您正在寻找构建内部开发者平台 (IDP) 的正确解决方案，为您的云原生应用程序带来秩序并提高开发人员的生产力，请探索 Mia-Platform。