Dirbtinio intelekto integravimas į kodo peržiūros darbo eigą leidžia inžinierių lyderiams aptikti sistemines rizikas, kurios dažnai išvengia žmogaus aptikimo dideliu mastu.
Inžinierių lyderiams, valdantiems paskirstytas sistemas, jų platformos sėkmę dažnai lemia diegimo greičio ir veikimo stabilumo kompromisas. „Datadog“, įmonė, atsakinga už sudėtingų infrastruktūrų stebėjimą visame pasaulyje, veikia esant dideliam spaudimui išlaikyti šią pusiausvyrą.
Kai kliento sistemos sugenda, jie pasikliauja Datadog platforma, kad nustatytų pagrindinę priežastį – tai reiškia, kad patikimumas turi būti gerai nustatytas. prieš programinė įranga pasiekia gamybos aplinką.
Šio patikimumo didinimas yra veiklos iššūkis. Kodo peržiūra tradiciškai veikė kaip pagrindinis vartų sargas – didelės rizikos etapas, kai vyresnieji inžinieriai bando sugauti klaidas. Tačiau komandoms plečiantis, pasikliauti žmonių recenzentais, kad jie išlaikytų gilias kontekstines žinias apie visą kodų bazę, tampa netvaru.
Siekdama išspręsti šią kliūtį, „Datadog“ AI Development Experience (AI DevX) komanda integravo „OpenAI Codex“, siekdama automatizuoti rizikos, kurios dažnai nepastebi vertintojai, aptikimą.
Kodėl statinė analizė neveikia
Įmonių rinkoje jau seniai naudojami automatiniai įrankiai, padedantys peržiūrėti kodą, tačiau jų veiksmingumas istoriškai buvo ribotas.
Ankstyvosios AI kodo peržiūros įrankių iteracijos dažnai buvo atliekamos kaip „išplėstinės linterijos“, nustatant paviršutiniškas sintaksės problemas, bet nesuvokiant platesnės sistemos architektūros. Kadangi šie įrankiai negalėjo suprasti konteksto, Datadog inžinieriai dažnai atmesdavo jų pasiūlymus kaip triukšmą.
Pagrindinė problema buvo ne atskirų klaidų aptikimas, o supratimas, kaip konkretus pokytis gali atsirasti per sujungtas sistemas. „Datadog“ reikalavo sprendimo, galinčio pagrįsti kodų bazę ir jos priklausomybes, o ne tiesiog ieškoti stiliaus pažeidimų.
Komanda integravo naują agentą tiesiai į vienos iš aktyviausių saugyklų darbo eigą, leidžiančią automatiškai peržiūrėti kiekvieną ištraukimo užklausą. Skirtingai nuo statinės analizės įrankių, ši sistema lygina kūrėjo ketinimus su tikruoju kodo pateikimu, atlikdama testus, kad patvirtintų elgesį.
Technikos vadovams ir informaciniams vadovams sudėtinga taikyti generatyvųjį AI dažnai kyla dėl to, kad įrodoma ne tik teorinis efektyvumas, bet ir jo vertė. „Datadog“ aplenkė standartines produktyvumo metrikas, sukurdamas „atsitikimų pakartojimo diržus“, kad patikrintų įrankį nuo istorinių gedimų.
Užuot pasikliaujusi hipotetiniais bandomaisiais atvejais, komanda atkūrė ankstesnius ištraukimo užklausas, kurios, kaip žinoma, sukėlė incidentus. Tada jie paleido dirbtinio intelekto agentą prieš šiuos konkrečius pakeitimus, kad nustatytų, ar jis būtų pažymėjęs problemas, kurių žmonės praleido peržiūrėdami kodą.
Rezultatai suteikė konkretų duomenų tašką rizikos mažinimui: agentas nustatė daugiau nei 10 atvejų (apie 22 % ištirtų incidentų), kai jo atsiliepimai būtų užkirtę kelią klaidai. Tai buvo ištraukimo užklausos, kurios jau buvo aplenkusios žmogaus peržiūrą, parodydamos, kad dirbtinis intelektas tuo metu inžinieriams nematomas pavojus.
Šis patvirtinimas pakeitė vidinį pokalbį apie įrankio naudingumą. Bradas Carteris, vadovaujantis AI DevX komandai, pažymėjo, kad nors efektyvumo padidėjimas yra sveikintinas, „nelaimingų atsitikimų prevencija mūsų mastu yra daug svarbesnė“.
Kaip AI kodo peržiūros keičia inžinerijos kultūrą
Šios technologijos įdiegimas daugiau nei 1000 inžinierių turėjo įtakos kodo peržiūros kultūrai organizacijoje. Užuot pakeitęs žmogiškąjį elementą, AI tarnauja kaip partneris, kuris tvarko įvairių paslaugų sąveikos pažinimo krūvį.
Inžinieriai pranešė, kad sistema nuolat pažymėjo problemas, kurios nebuvo akivaizdžios dėl tiesioginio kodo skirtumo. Jis nustatė trūkstamą bandymo aprėptį kelių paslaugų sujungimo srityse ir nurodė sąveiką su moduliais, kurių kūrėjas nebuvo tiesiogiai palietęs.
Šis analizės gilumas pakeitė inžinierių personalo sąveiką su automatizuotu grįžtamuoju ryšiu.
„Man Codex komentaras atrodo kaip protingiausias inžinierius, su kuriuo dirbau ir kuris turi be galo daug laiko, kad surastų klaidas. Jis mato ryšius, kurių mano smegenys nesulaiko iš karto”, – aiškina Carteris.
AI kodo peržiūros sistemos gebėjimas kontekstualizuoti pokyčius leidžia žmonėms recenzentams nukreipti dėmesį nuo klaidų gaudymo prie architektūros ir dizaino įvertinimo.
Nuo klaidų medžioklės iki patikimumo
Įmonių vadovams „Datadog“ atvejo tyrimas parodo kodo peržiūros apibrėžimo perėjimą. Ji nebėra vertinama tik kaip klaidų aptikimo kontrolės taškas ar ciklo trukmės metrika, bet kaip pagrindinė patikimumo sistema.
Išspręsdama riziką, kuri viršija individualų kontekstą, ši technologija palaiko strategiją, kai pasitikėjimas siuntimo kodu svyruoja kartu su komanda. Tai atitinka Datadog vadovybės prioritetus, kurie patikimumą laiko pagrindine klientų pasitikėjimo dalimi.
„Mes esame platforma, kuria pasitiki įmonės, kai viskas sugenda“, – sako Carteris. „Incidentų prevencija stiprina klientų pasitikėjimą mumis“.
Sėkmingas AI integravimas į kodo peržiūros vamzdyną rodo, kad didžiausia technologijos vertė įmonėje gali slypėti jos gebėjime įgyvendinti sudėtingus kokybės standartus, kurie apsaugo esmę.
Taip pat žiūrėkite: Agentiniam AI mastelio keitimui reikalinga nauja atminties architektūra
Norite daugiau sužinoti apie AI ir didelius duomenis iš pramonės lyderių? Peržiūrėkite „AI & Big Data Expo“, vykstančią Amsterdame, Kalifornijoje ir Londone. Išsamus renginys yra TechEx dalis ir vyksta kartu su kitais pagrindiniais technologijų renginiais. Norėdami gauti daugiau informacijos, spustelėkite čia.
AI naujienas teikia TechForge Media. Čia rasite kitus būsimus įmonių technologijų renginius ir internetinius seminarus.
