DevOps工程师可以在没有人工智能的情况下完成任务。然而，人工智能使他们更快，并降低他们的认知负荷。
译自 A Guide to Generative AI for DevOps Team Managers，作者 Derek Ashmore。
在过去的几年里，人们广泛讨论了生成式人工智能如何使 DevOps 从业者受益。生态系统中充斥着关于利用 GenAI 来加速几乎所有日常 DevOps 工作方面的讨论，从编码到软件测试再到文档生成。
一个受到较少关注的话题是 DevOps 团队经理（而不是从业者）如何使用生成式人工智能。这是一个挑战，因为要大规模利用 GenAI，企业必须做的不仅仅是希望个别 DevOps 工程师能够弄清楚如何有效地使用人工智能。相反，他们需要 DevOps 领导来监督系统方法，以实施和优化其 DevOps 团队对人工智能的采用。
作为一名曾帮助 DevOps 团队转向以 GenAI 为中心的战略的人，我在这里提供一些关于 DevOps 领导如何帮助指导流程的想法。当然，每个团队在 GenAI 方面面临的挑战和机遇都不同，并且没有一种万能的方法可以确保 DevOps 团队能够充分利用 GenAI 技术。但是，DevOps 经理可以考虑遵循以下几个最佳实践。
在深入探讨 DevOps 团队经理可以帮助引导工程师有效采用 GenAI 的具体方法之前，让我们讨论一下 GenAI 可以为当今的 DevOps 从业者做些什么。
简而言之，生成式人工智能已经成为提高生产力的重要因素——你甚至可以称之为 DevOps 工程师的结对程序员。到目前为止，还没有任何人工智能工具足够可靠和灵活，可以完全取代 DevOps 工作人员，但人工智能可以大大提高他们的工作效率。
例如，通过使用人工智能生成样板代码，DevOps 工程师避免了从代码模板复制和粘贴，并调整结果以适应给定的用例。同样，他们可以要求人工智能解释代码的工作原理，从而加快了解释来自第三方来源的代码的过程。他们甚至可以从 GenAI 中受益，例如生成测试用例，然后可以使用这些测试用例来测试他们的代码（无论是人工智能生成的还是以传统方式编写的），并确保它按预期工作。
当然，有能力的 DevOps 工程师可以在没有人工智能的情况下完成此类任务。但是，人工智能使他们更快，并减少了他们的认知负荷。
在大多数情况下，利用 GenAI 进行 DevOps 用例（如这些）不会自动或有机地发生。工程师需要 DevOps 领导在处理人工智能以及如何安全高效地将其集成到工作流程中提供有意的指导。
以下实践可以帮助 DevOps 团队经理提供该指导。
如果 DevOps 团队无法使用人工智能工具，那么他们就无法很好地采用人工智能，这似乎是显而易见的。但是，我经常遇到这样的环境：企业严格限制员工可以使用哪些人工智能技术，通常是为了减轻与人工智能相关的安全和数据隐私风险（例如，当工程师不安全地使用人工智能工具时，专有代码可能会泄露给第三方）。
这些风险是真实存在的，但不是避免使用人工智能的理由。采取这种方法的公司会搬起石头砸自己的脚，并且会错过人工智能带来的巨大的 DevOps 生产力提升。因此，由于人工智能，生产力较高的公司将失去竞争优势。
相反，DevOps 经理应与其他业务利益相关者合作，为 DevOps 从业者推出合适的 GenAI 技术，例如人工智能辅助编码和测试工具。通过适当的技术采用流程，企业可以识别满足其需求同时最大限度地降低安全风险的人工智能解决方案。
同样，用于 DevOps 的人工智能工具通常需要花钱。管理层必须愿意分配足够的财政资源来支持 GenAI 工具的采用。
假设推动投资 GenAI 解决方案导致其他业务利益相关者的强烈反对。在这种情况下，DevOps 经理应该强调人工智能可能带来的生产力提升，并鼓励其他领导者将人工智能视为一种长期节省资金的手段。
除了监督 DevOps 工程师采用 GenAI 之外，团队经理还可以使用它来起草电子邮件、创建演示文稿和总结内容。
经理们获得越多关于 GenAI 实际应用的实践经验，他们就越能更好地指导员工将人工智能应用于他们的角色。
DevOps 工程师——尤其是经验不足的初级工程师——需要监督才能有效地完成他们的工作。当他们开始使用人工智能时，这一点就变得更加真实。
通常，从业者不知道如何指导 GenAI 工具以适当地实现期望的结果。例如，他们可能不知道如何最好地用语言表达他们提供给人工智能的指令，以生成或解释代码。他们也可能难以识别人工智能生成的代码中的错误。
DevOps 经理监督转向 GenAI 的一项主要责任是监督从业者如何使用人工智能工具，并识别像这样的挑战。期望工程师——特别是经验有限的初级工程师——掌握像人工智能这样复杂的新工具并学会最佳地使用它是是不现实的。
一位优秀的 DevOps 经理不会专注于工程师如何使用人工智能——或者，就此而言，任何类型的生产力增强技术。相反，他们关注的是结果是什么。
为此，经理应该通过确定他们的从业者能够多么高效地完成诸如编写、测试和部署代码之类的任务来评估他们的成功，而不是他们多么广泛地依赖人工智能来做这些事情。一些工程师可能会在人工智能中发现比其他人更大的价值。经理的角色是为了生产力的缘故鼓励从业者，而不是为了达到某种任意的人工智能采用水平。
最后，DevOps 经理应该理解，将人工智能集成到 DevOps 中是一个重大的范式转变，并且需要时间才能结出所有的果实。期望开发者在短短几个月内获得显著的生产力提升对于具有平均技能水平的开发者来说是不现实的（尽管有些人可能会学得更快）；一个更合理的时间表是至少半年，工程师才能充分掌握 GenAI 的使用，从而展示出显著的改进。
好处是，一旦人工智能成为 DevOps 工作流程不可或缺的一部分，随着从业者学会利用 GenAI 解决方案，它的好处可能会继续累积。然而，最初的学习曲线是陡峭的，设定现实的期望是至关重要的。