МЕТОД ЗАСТОСУВАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ DEVOPS ПРОЦЕСІВ

Анотація

Актуальність. Швидкість і якість розробки програмного забезпечення визначають конкурентоспроможність продуктів, тому  інтеграція DevOps і машинного навчання через підходи MLOps відкриває нові можливості для оптимізації. Втілення MLOps обіцяє покращення автоматизації, ефективності та якості розробки, проте реалізація цих обіцянок вимагає розробки практичних інструментів та методів.

Мета роботи – розробка та оцінка прототипу фреймворку, заснованого на MLOps, для оптимізації DevOps процесів. Цей прототип призначений для демонстрації, як інтеграція машинного навчання може вдосконалити ключові аспекти DevOps, такі як автоматизація тестування, моніторинг системи та процеси розгортання.

Метод. Методологія дослідження охоплює розробку прототипу, що включає вибір та адаптацію інструментів машинного навчання для інтеграції в DevOps. Прототип було експериментально протестовано на декількох проектах для оцінки його впливу на швидкість розробки та якість продукту.

Результати підтверджують, що застосування прототипу фреймворку MLOps сприяє значному покращенню в автоматизації DevOps процесів, особливо у сферах тестування та моніторингу. Це, в свою чергу, призводить до зниження часу розробки та підвищення якості кінцевого продукту. Дослідження демонструє, що впровадження прототипу фреймворку, заснованого на MLOps, у DevOps процеси може ефективно підвищити їх продуктивність та якість.

Висновки з цього дослідження надають цінну основу для подальшого розвитку інструментів MLOps та їх застосування в індустрії розробки програмного забезпечення.