Anwendung von Machine Learning auf Continuous Delivery

Im Bereich der Technologie machen wir Fortschritte in Richtung einer besseren Zukunft. Da maschinelles Lernen/künstliche Intelligenz uns den Träumen der Automatisierung einen Schritt näher gebracht hat, waren die Fortschritte im letzten Jahrzehnt für die IT wirklich phänomenal. Die Einführung von Maßnahmen hat Frameworks bei der Bereitstellung von Prozessen geholfen, aber auch das Versagen von Systemen hat Spuren hinterlassen. Dennoch ist die Automatisierung nach wie vor ein Segen für die Auslieferung von Produkten an den Endverbraucher. Sie summiert die eingesparte Zeit, die besser für progressive Innovationen genutzt werden kann. 

In diesem Blog werden wir aufzeigen, wie Unternehmen ML mit Continuous Delivery integrieren, um die reinen Vorteile der Automatisierung von Abläufen zu nutzen. 

Definition von maschinellem Lernen im Kontext von Continuous Delivery

Wenn ein System in der Lage ist, kontinuierlich Produktionsversionen freizugeben, ohne traditionelle Server einzubeziehen, wird dies als Continuous Delivery (CD) bezeichnet. Durch die sichere und nachhaltige Änderung der Bereitstellung wird das verteilte System einer komplexen Produktion in eine Routineangelegenheit umgewandelt. Dies wird erreicht, indem der Code gestärkt und sichergestellt wird, dass er immer bereitgestellt wird. 

Unter den Tausenden von Änderungen, die Entwickler täglich vornehmen, setzen Unternehmen Cloud-Umgebungen ein, die unabhängig von der manuellen Aktualisierung von Servern für die kontinuierliche Entwicklung, das Testen und die Bereitstellung von neuem Code laufen. Unternehmen wie Facebook und Netflix sollen in großem Umfang bis zu 10 Releases pro Woche ausliefern. 

Maschinelles Lernen (ML) hingegen ist ein fortschrittliches System, das sich auf die Entwicklung von Programmen konzentriert, die auf Daten zugreifen und automatisch lernen können. Ohne menschliche Hilfe ist das System in der Lage, Maßnahmen zu ergreifen. Daher wird maschinelles Lernen für Continuous Delivery eingesetzt, um seine Leistungsfähigkeit und Release-Fähigkeit zu verbessern. 

Maschinelles Lernen kann in zwei Typen unterteilt werden:

• Überwacht: Dies erfordert einen Anstoß von menschlicher Seite für Algorithmen und Modelle. Sie benötigen Parameter und Feedback, um bessere Entscheidungen zu treffen und mit der Zeit genauer zu werden. 
• Unüberwacht: Hier können die ML-Algorithmen ohne menschliches Zutun eine Bedeutung aus den verfügbaren Daten ableiten. 

Da sich KI noch in der Einführungsphase befindet, wird überwachtes ML als das genaueste angesehen, da es auch durch menschliches Wissen gegengeprüft wird. 

Mit minimalem menschlichen Eingriff können Sie das maschinelle Lernen überwachen, damit es zu einem intelligenteren und genaueren Werkzeug wird.

Wie kann KI helfen, Continuous-Delivery-Fehler zu vermeiden?

Nachdem wir nun verstanden haben, wie die beiden Systeme funktionieren können, ist der nächste Schritt die Integration von KI und die Verbesserung der Prozesse und der Leistung bei gleichzeitiger Reduzierung von Fehlern. Hier erfahren Sie, wie Sie dies sicherstellen können: 

Regressive Leistung

Das Testen der Leistung Ihrer Anwendung ist ohne Zweifel der erste Schritt nach der Bereitstellung. Laut Build.com werden 60 Minuten pro Bereitstellung für die manuelle Überprüfung der App aufgewendet. Das summiert sich auf 21 Stunden für 3 Produktions-Releases pro Woche. Wenn nun ML eingesetzt und auf diesen Prozess angewendet wird, reduziert sich der Aufwand um 85 %, d. h. auf nur noch 3 Stunden pro Woche. 

Regressive Qualität

Die rechtzeitige Auslieferung einer Anwendung ist nicht der einzige Punkt, der zu prüfen ist. Die Qualitätssicherung ist eine ebenso wichtige Maßnahme, insbesondere wenn die Fehler nach der Bereitstellung kritisch werden können. Hier kann man sich auf maschinelles Lernen verlassen, um die neuen und einzigartigen Ereignisse der Anwendung zu erkennen und die Fehler zu beheben.

Notwendige Überwachung 

Wie oben erläutert, können Sie mit minimalem menschlichen Eingriff das maschinelle Lernen überwachen, damit es zu einem intelligenteren und genaueren Werkzeug wird. Die Ergebnisse werden nur besser, wenn Feedback zu den Algorithmen und Modellen von ML gegeben wird. Daher kann unüberwachtes ML vorerst beiseite gelassen werden. 

Lassen Sie uns dies anhand eines Beispiels besser verstehen:

HARNESS setzt KI/ML zur Unterstützung ein

Harness ist ein Software-Delivery-Unternehmen, das die branchenweit erste Continuous Delivery-as-a-Service-Plattform auf den Markt bringt.

Harness verwendet in erster Linie unüberwachtes maschinelles Lernen und bietet seinen DevOps-Teams visuelle Tools, auf die über einen Cloud-Service zugegriffen werden kann und die es ihnen ermöglichen, Pipelines innerhalb von Minuten zu erstellen. Die IT-Abläufe des Teams werden ohne umfangreiche Programmierkenntnisse rationalisiert. 

Steve Burton, ein CI/CD- und DevOps-Evangelist bei Harness, sagt: „Wir automatisieren nicht nur die Bereitstellung von Software-Artefakten in der Produktion, sondern auch die Gesundheitsprüfungen mithilfe von KI und ML. Wir nennen dies Continuous Verification. 

Dieses Bild zeigt deutlich, wie Harness in der Lage war, drei Geschäftstransaktionen zu kennzeichnen, die nach der Bereitstellung nicht durchgeführt wurden und sich verschlechtern. Gezeigt wird die Ausgabe der Anwendung von unüberwachtem maschinellem Lernen (SAX & Markov) auf einen AppDynamics-Datensatz, der eine Anwendung überwacht. 

Nächster Schritt: Automatisierter Rollback

Sobald maschinelles Lernen für die Freigabe von Continuous Delivery integriert ist, ist der nächste logische Schritt, es auf die nächste Stufe zu heben. Zum Beispiel die Automatisierung ganzer Pipelines. Anstatt nur einen Teil des Prozesses sollte ML in der Lage sein, den gesamten Prozess zu automatisieren: Bereitstellung, Verifizierung und auch Wiederherstellung nach Fehlern, falls vorhanden. Solche automatisch generierten Rollbacks können zwar einige Zeit in Anspruch nehmen, sind aber eine Möglichkeit der nahen Zukunft. 

Zusammenfassung

Durch kontinuierliches Lernen und Verbessern kann maschinelles Lernen bessere Werkzeuge für Utopia entwickeln. Zusammen mit DevOps und Agile können nachhaltige Lieferungen auch durch die Verkürzung von Feedbackschleifen und kontinuierliches Testen erreicht werden. 

Teilen Sie Ihre Gedanken zu diesem Thema auf unseren sozialen Plattformen: Twitter, Facebook und LinkedIn. 

Um unsere Experten nach weiteren interessanten Artikeln wie diesen zu fragen, kontaktieren Sie uns unter [email protected]