(Source: IBM)
Bayangkan memesan makanan untuk pesta makan malam, tetapi robot pengantar makanan terjebak karena tidak dapat menavigasi trotoar yang tidak rata. Atau yang lebih buruk, makanan hilang karena peretas berhasil merusak protokol otentikasi. Tanpa pengujian dan praktik keamanan yang maju, tim DevOps mungkin akan menghadapi masalah seperti itu. Hal ini dapat membuat pelanggan frustrasi dan berpindah layanan, yang pada akhirnya memengaruhi keuntungan bisnis.
Alat AI agent dapat membantu tim pengembangan layanan pengiriman untuk mencegah isu tersebut. Misalnya, tim dapat menggunakan agent untuk membuat serangkaian pengujian komprehensif yang mengidentifikasi cacat dan kerentanan keamanan selama fase pengkodean. Bahkan, alat AI agent dapat menggunakan tim multi agent untuk menciptakan kembaran digital yang mensimulasikan masalah dunia nyata yang mungkin dihadapi robot. Hal ini memungkinkan pengembang untuk menguji perilaku kode sebelum mereka mulai mengkode.
Fokus pada deteksi dini ini disebut sebagai shift left memindahkan praktik pengujian dan jaminan kualitas lebih awal dalam siklus hidup pengembangan perangkat lunak. Dengan kerumitan sistem perangkat lunak modern, fokus ini telah berkembang menjadi praktik DevSecOps yang lebih komprehensif, yaitu shift everywhere. Pendekatan shift everywhere bertujuan untuk mengotomatiskan integrasi keamanan di setiap fase siklus hidup pengembangan perangkat lunak.
Kemampuan AI Agen Dalam DevOps
Peralihan ini adalah tugas yang besar, baik secara praktis maupun budaya, yang telah mendorong banyak perusahaan untuk mengeksplorasi lebih dalam bagaimana mereka dapat memanfaatkan kemampuan AI dalam praktik DevOps. Di antara teknologi terbaru adalah AI agent, yang dapat:
Melaksanakan tugas multi-langkah: AI agent dapat memecah tujuan tingkat tinggi menjadi sub-tugas yang lebih kecil dan membawa tugas melalui beberapa tahap hingga selesai.
Beradaptasi secara waktu nyata: AI agent dapat menyesuaikan perilaku dan rencana mereka berdasarkan informasi baru atau kondisi yang berubah.
Berkoordinasi untuk orkestrasi alur kerja: Sistem AI agent dapat berkoordinasi dan berkomunikasi dengan AI agent lain untuk mencapai tujuan bersama.
Memperbaiki diri dari waktu ke waktu: Dengan fitur seperti pembelajaran penguatan, AI agent dapat belajar dari pengalaman, meningkatkan pengambilan keputusan dan menyesuaikan strategi dari waktu ke waktu.
AI agen memiliki kemampuan pengambilan keputusan otonom, dan bisnis sangat antusias dengan kemungkinan yang ada. Menurut IBM Institute for Business Value (IBM IBV), 86% eksekutif mengatakan AI agent akan membuat otomatisasi proses dan penemuan kembali alur kerja lebih efektif pada tahun 2027. Hampir 80% eksekutif senior telah mengadopsi beberapa bentuk AI agent.
Salah satu fungsi utama AI agent adalah analisis data dan deteksi anomali. Alat AI agen terus-menerus memindai data dari berbagai sumber secara waktu nyata. Menggunakan kemampuan pembelajaran mesin, agen AI mengidentifikasi pola data, melacak penyimpangan dari dasar yang ditetapkan, dan dapat secara otonom menyesuaikan diri saat kondisi berubah.
AI agent juga meningkatkan pengujian perangkat lunak. Alat pengujian ini dapat menghasilkan kasus uji yang lebih pintar dan disesuaikan, memperluas cakupan pengujian di seluruh lingkungan. Ketika pengembang mengubah logika kode, misalnya, agen dapat mendeteksi perubahan tersebut selama pengujian dan secara otomatis memperbarui pengujian yang relevan.
Fungsi lain yang ditawarkan adalah korelasi peringatan. Fitur ini menghubungkan peringatan terkait di seluruh pengguna dan lingkungan, menyaring peringatan yang berarti dari sinyal yang tidak perlu, yang mengurangi volume peringatan bagi tim pengembangan dan operasi. Jika agen melihat kegagalan masuk pada waktu yang tidak biasa dan akses file yang tidak teratur dari akun yang sama, ia dapat mengkorelasikan data dan menunjukkan potensi serangan.
Sistem AI agen membantu mengotomatisasi deteksi keamanan dan ancaman selama proses pengkodean. Agen AI terus-menerus memburu perilaku mencurigakan dengan menganalisis log keamanan dan lalu lintas jaringan secara waktu nyata. Ketika menemukan kerentanan, agen dapat secara otomatis memprioritaskannya dan secara otonom memulai tindakan untuk memperbaiki masalah tersebut.
