至顶网软件频道消息:近几年来DevOps一直是一个热门话题。在这段时间内,很多企业一直试图采用这样或者那样的工作方式,在这些工作方式下开发产出以与业务需要保持一致。但是到了2018年,所有这些都需要聚合到一起,并且实现自身意义。
为什么?我们已经到了一个关键时刻,软件和数据在推动着业务的方方面面。高管和决策者认识到,技术需要跟上业务需求的快速变化,应用需要能够立即组装、重新组装和卸载。
下面就是一些主要的DevOps观察者预测未来几个月该领域的发展趋势:
跨平台互动和物联网意味着将会有越来越多的应用和设备:典型的企业已经成为一个不间断的软件和数据工厂,全天候运营。技术必须使用在这里提供支持,要跟上全天候创建、测试和交付软件的步伐,DevOps是至关重要的。Perfecto公司首席技术布道师Eran Kinsbruner在DevOps.com网站上这样写到:“加上物联网的兴起,实现了跨智能手机、电视、平板电脑和其他设备之间的无缝切换。在2018年,金融服务、医疗保健、零售和汽车等行业将全面采用物联网,提供完美用户体验的关键一步就是测试,大量的测试。在今天这场数字革命中,测试、测量和开发永远都不嫌多。”
“DevSecOps”:安全是每个人的头等大事,需要做的就是把安全融入到应用中,从一开始到生命周期结束。Qualy公司产品管理副总裁Chris Carlson探讨了为什么DevOps中需要加入Sec这个词:“安全团队需要了解,DevOps正在快速改变IT的运营方式,需要在规划和执行生命周期更早期的阶段与IT和应用开发团队展开合作。”这就要求“将安全性融入到DevOps中,而不是事后再行动。”
让DevOps变得敏捷:Forrester分析师Diego Lo Giudice发现,将敏捷(开发者与最终用户紧密合作,以进行频繁的软件迭代)与DevOps结合起来的企业组织表现要好于那些将两者分开的企业组织。“任何IT组织只关注敏捷、或者只关注DevOps都是不能接受的。一枚硬币有两面性,一面成就了另一面。”Forrester的最新研究发现,企业组织如果正在运作将敏捷与DevOps结合起来的项目,那么业务/IT成果会提高2倍,功能质量也有所改进,能更快地获得业务价值,持续交付,对结果更高的可预测性,与要求相符。
频繁的新版本发布需要更快节奏的更新:对企业技术预期的提高,使得确保持续高性能应用的压力也加大了。Kinsbruner表示,IT负责人“必须意识到为开发人员提供工具和时间在整个软件开发生命周期内持续测试的重要性。像自动化和云这样的工具可以提高效率,让开发人员可以节省手动质量检查的时间,从而确保他们开发的应用能够满足消费者的期望。”
人工智能和机器学习可能会开始在DevOps中发挥作用。市场中出现了很多采用人工智能和机器学习的解决方案,不仅可以帮助DevOps团队追踪进度,还可以预测何时何地需要代码。在去年发表的文章中,Ronald Van Loon和Daniel Cronin探讨了基于人工智能的解决方案为DevOps增加认知计算的能力。例如,Van Loon描述了“采用机器学习算法,将人类知识与日志数据进行匹配,再加上开源代码库、论坛和社交线索。利用所有这些信息,创建了一个相关洞察数据库,其中可能包含用于解决IT运营和DevOps团队日常面对的大量关键问题的解决方案。”
Kinsbruner警告说,在人工智能真的可以减轻DevOps团队的一些负担之前,还需要做一些谨慎思考。“开发人员首先必须了解他们希望人工智能在SDLC内部和跨DevOps帮助他们做些什么,以及如何做。一个合理的开始,就是老姐他们如何最好地利用人工智能来分析测试自动化战略。”
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。