بشر
با گسترش سیستم عامل های دیجیتال و افزایش تقاضای مشتری ، استراتژی های ابری سازمانی در حال تغییر اساسی هستند. مهاجرت های سنتی ، که بر هزینه و مقیاس متمرکز شده اند ، توسط سیستم های هوشمند و سازگار ساخته شده برای بهینه سازی عملیات در زمان واقعی و پشتیبانی از نوآوری مداوم جایگزین می شوند
بازتاب این تغییر ، آخرین بررسی Cloud Cloud و هوش مصنوعی PWC گزارش این 92 ٪ از شرکتهای برتر قصد دارند بودجه ابر خود را افزایش دهند ، با 63 ٪ قابلیت های هوش مصنوعی را به عنوان عامل اصلی سرمایه گذاری خود ذکر می کنند. از آنجا که شرکت ها ادغام هوش مصنوعی را در معماری های ابر تسریع می کنند ، تمرکز فراتر از مدیریت زیرساخت ها به سمت ایجاد اکوسیستم های پویا ، بهینه سازی کننده طراحی شده برای مقاومت ، چابکی و رشد است.
برای کشف این تحول در عمق ، ما با Kishore Jeeri ، مدیر ارشد مهندسی با بیش از 16 سال تجربه توسعه نرم افزار و ابتکارات DevOps در شرکت های برتر از جمله چارلز شواب ، اوراکل و دفتر انطباق من صحبت کردیم. کیشور که به دلیل ارائه راه حل های مقیاس پذیر SaaS و ادغام فناوری پیچیده رانندگی شناخته شده است ، در مدل های مالکیت کامل ، تخصص دارد زیرساخت ابریوت اتهام اتوماسیونبشر وی نقش مهمی در ادغام موفقیت آمیز فن آوری های انطباق Schwab و دفتر انطباق من ، پیشرو در نوسازی انتقادی ، بازیابی فاجعه و ابتکارات استمرار کسب و کار داشت. یک یادگیرنده مداوم ، او آموزش های پیشرفته ای را در AI محور برگزار می کند تصمیم گیری از Wharton و در حال دنبال کردن گواهینامه ها در AI تولیدی و مدیریت پروژه است. در گفتگوی ما ، او به اشتراک می گذارد که چگونه هوش مصنوعی در حال تغییر شکل استراتژی های اتوماسیون است ، چه خطای فنی می تواند رشد را محدود کند ، و چرا نظم و انضباط مهندسی اولیه به یک پیش بینی کننده اصلی موفقیت در سکوی بلند مدت تبدیل می شود.
کیشور ، با تکامل استراتژی های ابری فراتر از زیرساخت های اساسی ، مهمترین شیفتی که در نحوه نزدیک شدن شرکتها به نوسازی می بینید ، چیست و AI بیشترین تأثیر را دارد؟
شرکت ها از مدل های ابر استاتیک به معماری تغییر می کنند که با طراحی سازگار هستند. نوسازی دیگر با مهاجرت به پایان نمی رسد. این شامل ایجاد سیستم هایی است که قادر به واکنش به سیگنال های عملیاتی ، امنیتی و عملکرد در زمان واقعی هستند. هوش مصنوعی با معرفی قابلیت های پیش بینی ، کمک به سیستم عامل ها به تخصیص منابع ، بهینه سازی عملکرد تحت تغییر بارهای و پیش بینی خطرات زیرساخت ها قبل از حادثه ، از این تغییر پشتیبانی می کند.
یکی از ملموس ترین تأثیرات هوش مصنوعی ، تقویت تصمیم گیری عملیاتی است. مدل های AI داده های تله متری را برای تشخیص ناهنجاری ها ، توصیه ها و راهنمایی گردش کار اتوماسیون را پردازش می کنند. این امر توانایی یک سکوی را برای انعطاف پذیری در شرایط مختلف بدون نیاز به نظارت مداوم انسانی افزایش می دهد. بنگاه هایی که این حلقه های بازخورد AI را در استراتژی های نوسازی ابر خود ادغام می کنند ، برای ارائه تداوم خدمات بهتر ، پاسخگویی و چابکی بلند مدت قرار گرفته اند.
در چارلز شواب ، شما در توسعه چارچوب های اتوماسیون برای سیستم های در مقیاس بزرگ ، از جمله Ansible ، Terraform و LoadRunner نقش اساسی داشتید. چگونه اتوماسیون در مهندسی AI محور تکامل می یابد و سازمان ها باید روی چه اولویت هایی تمرکز کنند؟
اتوماسیون فراتر از پاسخ های ضبط شده به سمت سیستمهایی است که گردش کار خود را بر اساس داده های محیطی و عملیاتی تطبیق می دهند. خطوط لوله CI/CD سنتی همچنان مهم است ، اما اتوماسیون پیشرفته AI شروع به بهینه سازی زمان استقرار و تنظیمات عملیاتی پس از ارسال کد می کند. این امر باعث می شود اتوماسیون به جای یک فرآیند استاتیک ، یک مؤلفه پویا از مقاومت سیستم باشد.
برای سازمان هایی که سیستم عامل های محور AI را ایجاد می کنند ، وضوح و مشاهده باید در اولویت قرار گیرد. برای طراحی خدماتی که معیارهای معنادار را در معرض نمایش قرار می دهند ، نظارت بر رفتارهای سیستم و حفظ قوام تحت بارهای در حال تحول بسیار مهم است. اتوماسیون باید با نظارت داخلی طراحی شود و به مهندسان این امکان را می دهد تا تصمیمات خودمختار را درک و اعتماد کنند. این بنیاد سیستم ها را قادر می سازد بدون قربانی کردن قابلیت اطمینان یا شفافیت عملیاتی ، مقیاس کنند.
در حالی که مهندسی تاب آوری پیشرو در MyComplianceOffice ، شما زمان بازیابی را برای کاربردهای مهم از چهار تا زیر یک ساعت کاهش دادید. با رشد پیچیده تر سیستم های AI ، چگونه شرکت ها باید تجدید نظر کنند؟
وابسته به امروزه به یک فرض طراحی نیاز دارد که بی ثباتی رخ خواهد داد و سیستم ها باید از طریق اختلال به عملکرد بسیار مهربانانه ادامه دهند. سیستم عامل های مبتنی بر هوش مصنوعی معرفی می کنند تغییر مدل های دادهبا رفتارهای کاربرو نقاط ادغام ، که می تواند مدل های بهبودی سنتی را بی ثبات کند. تاب آوری ساختمان در حال حاضر به معنای سیستم عامل های مهندسی است که خود ارزیابی خود ، بهبودی مستقل و عملکرد را در شرایط تخریب شده و بدون از دست دادن خدمات امکان پذیر می کند.
این تغییر خواستار تعبیه در زمان واقعی ، عدم موفقیت خودکار و تشخیص ناهنجاری پیش بینی کننده در هسته سکو است. سیستم ها باید شاخص های اولیه خطر را شناسایی کرده و مراحل کاهش را به صورت خودمختار آغاز کنند. معماری انعطاف پذیر دیگر اختیاری نیست. این مکانیسمی است که از طریق آن سرویس ها اعتبار و انطباق در محیط های فزاینده پویا را حفظ می کنند.
در تجربه شما ، چه تصمیمات فنی اغلب در تلاش های نوسازی اولیه نادیده گرفته می شود اما بعداً به تنگنا تبدیل می شود؟
تیم ها غالباً تأثیر بلند مدت مدیریت ناسازگار محیط زیست را در طول رشد اولیه دست کم می گیرند. هنگامی که پیکربندی ها ، اسکریپت ها و فرآیندهای عملیاتی به صورت دستی انجام می شوند یا به صورت غیر رسمی تکامل می یابند ، بدهی فنی جمع می شود. با گذشت زمان ، این ناسازگاری ها مانع تلاش های مقیاس گذاری ، تأخیر در استقرار و افزایش خطر عملیاتی می شوند.
تعبیه زیرساخت ها به عنوان کد اولیه به ایجاد پایه ای از قوام و تکرارپذیری کمک می کند. مشخصات محیطی نسخه ، تنظیمات استقرار و استانداردهای نظارت ، مقیاس ، امنیت و حسابرسی یک سیستم را آسان تر می کند. این رشته به سیستم عامل ها اجازه می دهد تا بدون مواجهه با تنگناهای فنی مختل کننده در حین گسترش ، به صورت ارگانیک رشد کنند.
شما تیم های مهندسی توزیع شده در سطح جهانی را در چارلز شواب و MyComplianceOffice هدایت کرده اید. چه شیوه های رهبری امروزه بیشتر از همه به عنوان سازمانها سیستم عامل های محور AI را اهمیت می دهد؟
تیم های پیشرو توزیع شده نیاز به تقویت یک چارچوب فنی و عملیاتی مشترک دارند. مهندسان باید از درک مشترک رفتارهای سیستم ، استانداردها و اولویت ها کار کنند تا اطمینان حاصل کنند که توسعه غیر متمرکز معماری های تکه تکه ای را ایجاد نمی کند. ارتباط منظم ، نقشه راه های روشن و معیارهای موفقیت قابل مشاهده به تراز کردن تیم های توزیع شده در اطراف اهداف مشترک کمک می کند.
سازگاری به همان اندازه مهم است. سیستم های محور AI به سرعت تکامل می یابند و تیم های مهندسی باید جایی برای آزمایش و ادغام دروس در شیوه های خود داشته باشند. تشویق اسپرینت های یادگیری ، بررسی های مشارکتی و تصمیم گیری غیرمتمرکز ، تیم هایی را که قادر به سازگاری با فناوری هستند ، ایجاد می کند تا اینکه در پشت آن قرار بگیرند.
تحقیقات اخیر شما نشان می دهد که چگونه شیوه های CI/CD تکه تکه شده در تیم های توزیع شده می تواند قابلیت اطمینان را محدود کرده و تحویل را در مقیاس کند کند. با توجه به این ، رهبران مهندسی چه تغییراتی ساختاری باید در هنگام ساختن سیستم عامل های محور AI در اولویت قرار دهند؟
یکی از یافته های اصلی این بود که خطوط لوله استقرار تکه تکه شده ، قابلیت اطمینان پلتفرم را در مقیاس تضعیف می کند. هنگامی که گردش کار ، شیوه های آزمایش یا اعتبار سنجی آزاد بین تیم ها متفاوت است ، شکاف هایی معرفی می شوند که تشخیص آنها تا زمانی که بر کاربران یا وضعیت امنیتی تأثیر بگذارد ، دشوار است. سیستم عامل های محور AI ، که در آن خدمات به طور مستقل تکامل می یابند ، این خطر را تقویت می کنند.
رهبران مهندسی باید چارچوب های یکپارچه CI/CD را که قابل مشاهده ، استاندارد و کنترل شده در تیم ها هستند ، ایجاد کنند. خطوط لوله باید قابلیت ردیابی کامل را از کد به تولید فعال کنند ، از مکانیسم های سریع بازگشت پشتیبانی کنند و به طور خودکار بررسی های انطباق را ادغام کنند. درمان زیرساخت های تحویل به عنوان محصولی از خود تضمین می کند که سیستم ها قابل شنیدن ، قابل اعتماد و آماده برای حمایت از رشد شتاب هستند.
با نگاهی به آینده ، شما چه تغییراتی را در نحوه طراحی و کارکرد تیم های مهندسی سیستم های بومی و بومی انتظار دارید ، و چگونه سازمان ها می توانند آماده شوند؟
سیستم عامل های بومی AI به گونه ای طراحی شده اند که تحت تغییر مداوم عمل کنند. مهندسان نیاز به ایجاد سیستمهایی دارند که ورودی های در حال تحول داده ها را رصد کنند ، رفتارهای خدمات را بر اساس سیگنال های محیطی سازگار کنند و عملکرد را حفظ کنند ، حتی اگر مدل ها یا گردش کار در تولید بازآفرینی شوند. ثبات از انعطاف پذیری ناشی می شود ، نه کنترل سفت و سخت.
سازمان هایی که برای این تغییر آماده می شوند باید در معماری های مدولار ، زیرساخت های تله متری قوی و مدلهای عملیاتی که از سازگاری پویا پشتیبانی می کنند ، سرمایه گذاری کنند. آنها باید فرهنگ های مهندسی را که آزمایش ، مستندات شفاف و چرخه بازخورد سریع را دارند ، در اولویت قرار دهند. موفقیت در آینده به نفع تیم هایی خواهد بود که به جای یک استثنا ، تغییر را به عنوان یک ثابت عملیاتی مشاهده می کنند.
با تکامل شرکت ها به سمت سیستم عامل های بومی ، کیشور جیری تأکید می کند که موفقیت هم به فناوری و هم مهندسی انضباطی و همچنین اتوماسیون هوشمند و طراحی انعطاف پذیر وابسته است. در عصری که با تغییر مداوم تعریف شده است ، سیستم عامل هایی که از ابتدا شکوفا می شوند ، از ابتدا ساخته شده برای یادگیری ، سازگاری و مقیاس هستند.
