I mycket korta termer innebär det att mjukvaruutvecklare arbetar med specialutbildad driftpersonal för att ge 24/7 support för utvecklingsmiljöer.
Enkelt uttryckt, när problem uppstår, finns det alltid någon som snabbt och effektivt kan lösa dem, utan att distrahera utvecklare från deras huvuduppgifter och, ännu viktigare, utan att kompromissa med kvaliteten på kundservicen, samt utan att minska nivån på inkomstföretaget pga. till fel och andra tekniska problem i produktionsmiljön, i produktionssystem eller enskilda applikationer som körs på dessa system.
Men om du inte vet ännu, då är det första du behöver förstå att DevOps i sin moderna form inte bara är och inte så mycket automatisering. Detta är i själva verket ett kvalitativt nytt tillvägagångssätt för att organisera processer för mjukvaruutveckling.
Ja, det inkluderar automatisering, men som experter noterar ligger huvudvikten här just på det som hjälper dig att tänka på produktutveckling på ett nytt, mer meningsfullt och mycket mer produktivt sätt.
DevOps gäller både automatiserade och CI/CD-processer.
(förkortning av Continuous Integration) betyder bokstavligen “kontinuerlig integration.” Utvecklare tenderar att arbeta med sina egna projekt och bara i ett visst skede slå samman dem till ett enda arkiv. Därför är det mycket viktigt att identifiera fel i tid, eller snarare, så tidigt som möjligt, i de tidigaste stadierna av utvecklingsprocessen, när de är lättare att åtgärda och när de ännu inte har lyckats komma in i produktionssystemen. och har inte spridit sig över olika utvecklingsmiljöer.
Detta innebär i sin tur att ny kod skickas till servrarna först efter preliminär testning, för att undvika “överraskningar” i alla efterföljande skeden av dess tillämpning.
Från och med idag anses både MLOps () och DataOps () fortfarande vara nya trender inom IT. Båda är fokuserade på att optimera databearbetningsoperationer med hjälp av verktyg som CI/CD, automationsverktyg etc., vilket hjälper till att avsevärt förenkla och påskynda utvecklingsprocesser, samt öka deras produktivitet tack vare det automatiserade utförandet av en hel rad uppgifter (backup, ETL-transportörer, etc.).
Egentligen är detta den gemensamma fördelen med dessa två tekniker: de kan användas för att lösa mycket olika problem. Till exempel förbättra kvaliteten på kundtjänsten eller minska fel genom effektivare och automatiserad analys av stora datamängder, vilka specialiserade algoritmer presterar snabbare och bättre än människor.
Dessa teknologier är ännu inte perfekta, de har precis börjat utvecklas, och det kommer att ta lite tid innan de blir mogna nog att klara av alla de uppgifter som människor för närvarande utför. Men nyligen (inklusive efter den uppenbara framgången med en ny maskininlärningsmodell kallad Alexa, implementerad), kallas MLOps och DataOps av ämnesexperter för nästa nivå av DevOps-utveckling.
Det finns en uppfattning om att det i just detta fall skulle vara mer korrekt att formulera frågan så här: är det värt att lära sig något nytt eller kommer det att räcka att göra det som redan fungerar bra? Och det korrekta svaret skulle vara: båda krävs.
Naturligtvis kommer DevOps inte att lösa alla problem över en natt. Detta är en komplex, heltäckande lösning som först och främst kräver yttersta klarhet i alla aspekter vad gäller dess kapacitet och specifika fördelar både för ett specifikt projekt och för verksamheten som helhet.
Därför är det möjligt och nödvändigt att lära sig använda något nytt. Det betyder att vi måste vara beredda på att vi i processen måste ta en ny titt på hur arbetet har varit och görs idag och, med stor sannolikhet, ompröva några mål och målsättningar. Men det är därför som ny teknik behövs så att du med deras hjälp kan arbeta mer effektivt och tjäna mer, eller hur?
[irp]
