借助人工智能，平台工程师可以优化资源分配，识别瓶颈，并以前所未有的精度和速度为无缝扩展铺平道路。
译自 AI in Platform Engineering: Concerns Grow Alongside Advantages，作者 Nicola Campagna。
最近，平台工程在 IT 组织中掀起了波澜，为DevOps和软件开发团队建立了新的实践。事实上，研究预测，这种新兴技术方法将在未来几年内被广泛采用。平台工程通过解决 IDE、插件、工具链、存储库、环境创建和不兼容性的复杂性，重塑了软件开发生命周期的各个方面。AI 也将不例外，它将为平台和开发团队带来自动化和简化工作流的优势。
将机器学习 (ML) 和 AI 集成到 DevOps 和平台工程中，有可能彻底改变软件开发和基础设施管理。通过利用 AI 的分析能力，平台工程师可以优化资源分配、识别瓶颈并为无缝扩展铺平道路——所有这些都具有前所未有的精度和速度。
虽然持续的技术进步为组织和开发团队带来了许多优势，但它们也给软件开发生命周期 (SDLC) 带来了越来越多的复杂性。曾经主要专注于编码的开发人员突然要对整个 SDLC 负责。
平台工程作为黄金路径出现，以减轻开发人员的一些困难，抽象化这种复杂性。它包含了开发人员在 内部开发人员平台 (IDP) 中遵循的明确定义的标准化方法，确保了无缝的开发人员体验和高效的操作。
AI 已被引入平台工程，以增强所有这些优势并进一步增强开发人员的能力。平台工程中的 AI 自动化了例行任务，例如管理代码更改、测试软件、复杂的集成和处理安全问题。这使开发人员能够专注于更具创造性和战略性的工作，从而增强开发人员体验，并因此成倍地降低认知负荷。
AI 驱动的平台提供了各种功能，团队可以使用这些功能来简化工作流并提高效率和应用程序安全性。其中包括：
平台工程的主要目的之一是改善开发人员体验。由 AI 驱动的 IDP 可以为开发人员提供结对编程工具，加快他们的工作速度并提高代码质量。如果与无代码界面和负责此类任务的公民开发人员相关联，AI 还可以让开发人员免于从事价值较低的活动。这允许对整个 SDLC 进行更民主化和更快速的管理。
AI 算法可以自动分析过去的用法模式、实时需求和资源可用性，以分配服务器、存储和数据库等资源。AI 驱动的平台可以确保可靠的基础设施，从而无需手动配置和供应，并为平台工程师节省宝贵的时间和精力。由于这些平台已针对庞大的数据模型进行了训练，使它们能够理解各个开发人员的需求和偏好，因此它们可以在必要时提供资源。因此，它们可用于自定义开发环境并以最少的体力劳动生成配置。
组织每天收集越来越多的数据。因此，企业必须处理和管理大量数据和个人信息，确保其安全和受保护。现在，团队可以通过自动化记录管理等关键流程，并确保任务符合行业治理协议和标准来降低不合规的风险和相关处罚，这在高度监管的市场中是一个优势。AI 驱动的异常检测可以通过分析记录和交易以及识别和防止安全威胁来帮助检测和防止欺诈。
虽然 AI 拥有彻底改变平台工程的巨大潜力，但它的集成提出了若干挑战，并引发了需要仔细考虑的担忧：
- 解决 AI 驱动的平台中潜在的偏见和道德问题：随着 AI 能力的不断发展，关于算法偏见、公平性和可能被滥用的道德问题也随之出现。如果输入数据有偏差，输出结果很可能也会有偏差。但是，开发人员、管理人员和技术领导者可以通过积极确保用于训练 AI 模型的数据集多样且无偏见，从而优先考虑公平性。
- 在整个开发生命周期中确保数据隐私和安全性：随着组织中处理的数据量不断增加，人们越来越担心 AI 可能被用来引发安全漏洞并泄露隐私信息。将 AI 集成到平台中可能会进一步引入新的安全漏洞，恶意行为者可能会利用这些漏洞。因此，强大的安全措施，如渗透测试和漏洞评估，对于减轻我们平台的潜在风险和意外后果至关重要。
- 平衡自动化与人工监督和控制：随着 AI 系统变得更加复杂并集成到各种平台中，确保自动化与人工参与之间的和谐关系至关重要。然而，这一波技术的成熟度和可信度尚不确定，导致一些采用者产生抵触情绪，并增加了用户之间的担忧。因此，开发人员和平台工程师必须确定如何最好地与智能系统合作以获得最佳结果。
随着 AI 趋势的持续增长，其在平台工程中的作用也在不断扩大。以下是组织和平台团队如何最大化 AI 影响的方法。
自 AI 出现以来，开发、实施和使用一直局限于拥有大量资源的大型组织和科技巨头，如 Microsoft、Google 和 Apple。因此，AI 产品开发通常需要专门的技能，包括数据科学、机器学习和编程。
组织可以通过培训和教育 AI 专业知识有限的团队成员，并结合学习曲线较小的更用户友好的 AI 平台来节省时间。他们还可以为开发人员提供一个预训练的 AI 模型库，涵盖基础设施优化、资源分配预测和异常检测等常见任务。
确保我们数据管道中的可信度和可靠性非常重要。这意味着在整个数据收集、存储和处理过程中实施强大的安全措施，以防止违规和未经授权的访问。我们可以使用对抗性示例训练我们的 AI 模型，使其更具抗攻击性。组织还可以使用输入验证、模型堆叠和 dropout 层等技术来确保模型更加可靠。这将不可避免地培养对 AI 输出的更多信任，并避免偏见或操纵。
2024 年，对平台工程和 AI 的兴趣达到历史最高点。根据 Gartner 的预测，到 2026 年，80% 的大型软件工程组织将建立平台工程团队，作为应用程序交付的可重用服务、组件和工具的内部提供商。根据 Research and Markets 的报告，随着开发人员和平台团队对效率、提高生产力和性能的需求不断增长，生成式 AI 市场预计将从 2023 年的 113 亿美元增长到 2028 年的 518 亿美元，复合年增长率为 35.6%。
我们正在见证人工智能对平台工程和软件开发的影响，以及它如何塑造这些领域的未来。这些技术之间的协同作用是软件开发生命周期中的一次变革性转变，组织和开发人员渴望接受它。