AI for DevOps: Integrating Intelligence into CI/CD Pipelines

• Doznańie z DevOps i procesów CI/CD
• Podstawowa znajomość systemów kontroli wersji i narzędzi automatyzacji
• Znajomość pojęć związanych z testowaniem i wdrażaniem oprogramowania

Grupa docelowa

• Inżynierowie DevOps i zespoły platform
• Liderzy automatyzacji QA i inżynierowie testów
• Architekci oprogramowania i menedżerowie wdrożeń

AI for DevOps to zastosowanie sztucznej inteligencji w celu poprawy procesów ciągłej integracji, testowania, wdrażania i dostarczania dzięki inteligentnej automatyzacji i technikom optymalizacji.

Ten kurs prowadzony przez instruktora (online lub stacjonarnie) jest przeznaczony dla profesjonalistów na poziomie średnim w dziedzinie DevOps, którzy chcą włączyć AI i uczenie maszynowe do swoich rurociągów CI/CD w celu poprawy prędkości, dokładności i jakości.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Integrować narzędzia AI z procesami CI/CD dla inteligentnej automatyzacji.
• Zastosować testowanie, analizę kodu i wykrywanie zmian na podstawie AI.
• Optymalizować strategie budowy i wdrażania za pomocą przewidywalnych wglądów.
• Wdrożyć śledzenie i ciągłe ulepszanie za pomocą zoptymalizowanych pętli sprzężenia zwrotnego.

Format kursu

• Interaktywna wykład i dyskusja.
• Dużo ćwiczeń i praktyki.
• Ręczne wdrażanie w środowisku live-lab.

Opcje dostosowania kursu

• Aby zapytać o dostosowane szkolenie dla tego kursu, skontaktuj się z nami, aby to załatwić.

Wprowadzenie do AI w DevOps

• Czym jest AI for DevOps?
• Przypadki użycia i korzyści z AI w procesach CI/CD
• Przegląd narzędzi i platform wspierających automatyzację z wykorzystaniem AI

AI-wsparte tworzenie i przeglądanie kodu

• Używanie GitHub Copilot i podobnych narzędzi do ukończenia kodu
• Sprawdzanie jakości kodu i propozycje z wykorzystaniem AI
• Automatyczne generowanie testów i wykrywanie zagrożeń

Inteligentne projektowanie procesów CI/CD

• Konfiguracja Jenkins lub GitHub Actions z etapami wzmocnionymi AI
• Przewidywanie wyzwalania budowy i inteligentne wykrywanie wstecznego rollbacku
• Dynamiczna dostosowywanie procesów na podstawie historycznych wyników

Automatyzacja testów z wykorzystaniem AI

• Generowanie i priorytetyzowanie testów z wykorzystaniem AI (np. Testim, mabl)
• Analiza testów regresyjnych z wykorzystaniem uczenia maszynowego
• Zmniejszanie niestabilności i czasu wykonywania testów z użyciem informacji uzyskanych z danych

Statyczne i dynamiczne analizy z wykorzystaniem AI

• Integracja SonarQube i podobnych narzędzi do procesów
• Automatyczne wykrywanie wadliwego kodu i propozycje refaktoryzacji
• Analiza wpływu i profilowanie ryzyka kodu

Monitorowanie, opiniowanie i ciągłe doskonalenie

• Narzędzia do obserwacji zasilane AI i wykrywanie anomalii
• Używanie modeli ML do uczenia się z wyników wdrażania
• Tworzenie automatycznych pętli opiniowania w całym SDLC

Przykłady zastosowań i praktyczna integracja

• Przykłady wzmocnionego przez AI CI/CD w środowiskach przedsiębiorstw
• Integracja z platformami nativnymi dla chmury i mikrousługami
• Wyzwania, zalecenia i najlepsze praktyki

Podsumowanie i kolejne kroki