DevOpsレビュー

DevOps の出現は、「左シフト運動」の具体的な現れです。ソフトウェア製品とサービスを時間どおりに提供することを目的としています。これは、開発、運用と保守、品質保証の交差点として考えることができます。この目標は、これら 3 つの部門間の連携を改善し、組織がアプリケーションとサービスを提供する速度を向上させることで、顧客により良いサービスを提供し、市場での競争力を維持することです。残念ながら、従来の DevOps サイクルにおける「テスト」では、QA チームの役割が強調されていません。

写真

DevOps の実装には、自動化ツールの使用、継続的インテグレーション/継続的デプロイメント (CI/CD) の実践、監視およびログ分析システムの構築など、多くの側面が含まれます。これらの実践を通じて、DevOps は、開発、テスト、デプロイメント、運用のあらゆる側面でソフトウェアの効率性、信頼性、一貫性を維持できます。

DevOpsの技術的構成要素

DevOps には、テクノロジー、組織、文化など、複数の分野が関係します。関連する技術スキルに関しては、次のレベルが含まれます。

写真

基本的な技術スキルには、バージョン管理、Linuxオペレーティングシステムの操作、プログラミングスキル、データベースとネットワークの操作などがあり、その中でもOpsに関連するプログラミングは主にShellとPythonです。 CI/CD は DevOps の重要な部分です。一般的なツールには、Jenkins、Github Action、GitLab CI などがあります。コンテナ化テクノロジーは、CI/CD 環境の一貫性を確保し、サービスとネットワークのオーケストレーションのためのツールを提供します。具体的な導入環境に関して言えば、IaC はハイブリッドクラウドの迅速な導入を実現するための鍵となります。監視とログ記録は、従来の運用・保守分野の技術と似ていますが、粒度が異なる可能性があります。

DevOps における CI/CD パイプライン

CI/CD は DevOps の重要な技術的ポイントであり、ワークフローとそのパイプラインはエンジニアリング効率を向上させる主な現れです。

写真

CI/CD は、最初のコードコミットからデプロイメントまでのソフトウェア開発プロセスを容易にします。パイプラインを自動化することで、コードを本番環境にリリースするために従来必要だった手動による人的介入の多くを排除します。

継続的インテグレーション (CI) には、ビルドの自動化、テストの実行、および単一の開発者のコードを共有リポジトリにマージすることが含まれます。継続的インテグレーションの主な目的は、ソースコードを共有リポジトリに効率的に統合することです。変更がバージョン管理システムにコミットされると、自動ビルドとテストケースが実行され、コードの機能性と有効性が確保されます。これらのプロセスでは、ソースコードがどのようにコンパイルされ、実行中にテストケースがどのように実行されるかを検証します。

コードストレージは別のパイプラインにすることができます。

写真

別のパイプラインとしてビルドしてテストします。

写真

継続的デプロイメント (CD) は、CI/CD パイプラインにおける CI の次のステップであり、自動テスト段階を通過したすべてのコード変更を運用環境に自動的にデプロイする手法です。典型的なパイプラインは次のとおりです。

写真

継続的デプロイメントは、コードの変更を本番環境に迅速にデプロイすることに重点を置いています。そのルーツは、顧客を満足させるために「価値のあるソフトウェアを早期かつ継続的に提供すること」を強調するアジャイル宣言にまで遡ります。真の継続的デプロイメントは困難であり、CI ほど広く採用されていませんが、より一般的な方法は継続的デリバリーです。継続的デリバリーと継続的デプロイメントの主な違いは、継続的デリバリーでは、起動を自動的に完了するのではなく、起動準備を完了して「本番環境の準備」に重点を置く場合があることです。

DevOps から MLOps へ

DevOps の Dev を分割して拡張すると、XOps が形成されます。人工知能の普及に伴い、機械学習は開発における重要な分野となり、DevOps の一種である MLOps を形成しています。

MLOps の中心的な考え方は、DevOps プロセスとツールを機械学習の分野に適用して、機械学習アプリケーションの継続的インテグレーション、継続的デリバリー、継続的デプロイメントを実現することです。 MLOps の目標は、機械学習の開発、テスト、展開を自動化することで、ソフトウェア開発の効率と品質を向上させることです。

MLOps は、データの準備、転送、変換、モデルのトレーニングと最適化、モデルの評価と選択、モデルの展開と監視など、機械学習モデルのライフサイクルをより適切に管理できます。同時に、MLOps はチームが開発環境と本番環境の違いを管理し、本番環境でのモデルの安定性と信頼性を確保するのにも役立ちます。簡単に言えば、MLOps はドメイン固有のコンポーネントである継続的トレーニング (CT) を追加します。

写真

MLOps の導入により、機械学習モデルの開発および展開プロセスがより効率的になり、AI アプリケーションのイノベーションが加速され、エラー率が低減します。また、データのセキュリティとコンプライアンスを強化し、機械学習アプリケーションの信頼性と保守性を向上させるのにも役立ちます。

LLMOps に関しては、後ほど要点をまとめた特別記事を掲載する予定です。