2 min.
Zderzenie ze ścianą, czyli AI w niszowych technologiach
Klasyczny DevOps kojarzy się z infrastrukturą jako kodem (IaC), elastycznymi kontenerami i pełną kontrolą nad replikacją środowisk. Sytuacja komplikuje się, gdy trafiamy do zamkniętych ekosystemów - takich jak Salesforce. To platforma, w której automatyzacja przez CLI rzadko pokrywa 100% metadanych, a zarządzanie release’ami często wiąże się z koniecznością manualnego wyklikiwania konfiguracji.
Jak w takim środowisku sprawdza się AI? Krótko mówiąc: różnie. Sztuczna inteligencja (np. modele Claude czy ChatGPT) wie tylko to, co zdołała „przeczytać” w publicznym internecie. W przypadku popularnych, otwartych narzędzi radzi sobie świetnie. Kiedy jednak Anna Wałach-Dudzic spróbowała wykorzystać AI do konfiguracji zaawansowanych pipeline’ów w Bitbucket dla niszowych rozwiązań (statyczna analiza kodu PMD pod Salesforce), AI zaczęło z ogromną pewnością siebie halucynować. Wymyślało pipes, funkcje i endpointy, które nigdy nie istniały. Efekt? Dwa dni stracone na debugowanie bzdur, zamiast 4 godzin pisania kodu od zera.
Wniosek? Jeśli technologia, w której pracujesz, jest zamknięta za firmowymi firewallami, ekranami logowania i rzadko pojawia się na Stack Overflow, AI najprawdopodobniej zaprowadzi Cię w ślepy zaułek.
4 żelazne zasady pracy z AI dla inżynierów
Jak wyciągnąć maksimum z narzędzi opartych o sztuczną inteligencję i nie narobić szkód na produkcji? Anna wskazuje na kilka krytycznych zasad:
- Zawsze wymuszaj planowanie. Zanim pozwolisz agentowi AI generować lub modyfikować kod, każ mu przygotować plan (np. używając opcji tworzenia planu w Cursorze). Zrozumienie, w jakim kierunku zmierza AI, uchroni Twój codebase przed całkowitą destrukcją.
- Bierz 100% odpowiedzialności za kod. Nigdy nie pushuj do repozytorium skryptów, których nie jesteś w stanie zrozumieć i samodzielnie utrzymać. Ślepe zaufanie do asystenta to najprostsza droga do skasowania krytycznego środowiska w chmurze i długiego tłumaczenia się przed zespołem.
- Zatrzymaj się na 95% automatyzacji. AI rewelacyjnie rozwiązuje 80% problemu przy zużyciu 20% zasobów. Najgorsza jest tzw. „końcówka”. Jeśli walka z promptami o to, by system działał perfekcyjnie end-to-end, zajmuje Ci więcej czasu niż samodzielne obsłużenie krawędziowych przypadków (tzw. human input), po prostu odpuść.
- Wybieraj popularne narzędzia. Znajomość podstawowych wyrażeń regularnych (regex) czy Pythona pozwala precyzyjnie nawigować pracą AI tam, gdzie zawodzi ono w parsowaniu nietypowych formatów.
Czy AI zabierze pracę inżynierom DevOps?
Często słyszy się obawy, że sztuczna inteligencja zredukuje zapotrzebowanie na inżynierów i administratorów. Praktyka pokazuje co innego. AI nie zastąpi inżyniera, który potrafi rozwiązywać skomplikowane problemy architektoniczne i komunikować się z zespołem. Prawda jest jednak brutalna - inżynierowie używający AI zastąpią tych, którzy odmawiają korzystania z tych narzędzi.
Czas manualnego „wyklikiwania” i rzemieślniczego pisania powtarzalnych skryptów dobiegł końca. Jeśli nie używasz LLM-ów, by przyspieszyć swoją pracę, po prostu zostajesz w tyle.
Rozwijaj kompetencje przyszłości z SysOps/DevOps Polska
Chcesz zgłębić temat sztucznej inteligencji w codziennej pracy inżyniera? Ten artykuł to zaledwie wstęp do wiedzy, jaką dzielimy się w największej w Polsce niekodującej społeczności IT.
Zapraszamy na kanał YouTube Fundacji SysOps/DevOps Polska, gdzie znajdziesz pełne nagranie z prelekcji Anny Wałach-Dudzic oraz dziesiątki innych technicznych wystąpień. Wpadnij również na jesienne MeetUpy, aby na żywo wymienić się doświadczeniami z praktykami branży. A jeśli chcesz od razu wejść na wyższy poziom automatyzacji, dołącz do naszych dedykowanych webinarów AI Now Polska - pełna agenda i darmowe zapisy czekają tutaj: https://www.ainowpolska.pl/
[artykuł sponsorowany]