AI DevOps, CI/CD i AIOps

AI w CI/CD wspiera generowanie konfiguracji, walidację zmian, code review i analizę ryzyka wdrożeń, ale nie zastępuje reguł jakości ani kontroli wersji. Warto sprawdzić polityki akceptacji, bramki testowe, limity kosztów, sposób obsługi sekretów oraz warunki rollbacku przed dopuszczeniem automatyzacji do środowisk produkcyjnych. Przykładem jest pipeline, w którym LLM przygotowują poprawki do Terraform lub workflow GitHub Actions, a zespół zatwierdza je po lintingu, testach i analizie bezpieczeństwa. To jedno z zagadnień omawianych podczas szkolenia: AI DevOps z Claude, Cline i Terraform – CI/CD w praktyce.

AI w analizie logów Kubernetes polega na klasyfikowaniu zdarzeń, wykrywaniu odchyleń od typowych wzorców i łączeniu logów z metrykami oraz kontekstem operacyjnym. Należy uporządkować źródła danych, ujednolicić format logów, powiązać je z metrykami z Prometheus i ustalić, które alerty mają uruchamiać analizę wspieraną przez modele. Przykładem jest wykrycie nietypowego wzrostu restartów Podów po zmianie konfiguracji i powiązanie tego z anomalią zużycia pamięci oraz wpisami z logów aplikacyjnych. Ten temat przerabiamy praktycznie na szkoleniu: Kubernetes z wykorzystaniem AI w utrzymaniu systemów IT (AI/K8S).

AIOps to wykorzystanie AI i ML do automatyzacji obserwacji systemów, korelacji zdarzeń, predykcji awarii i wspierania reakcji na incydenty. Na początku warto wskazać powtarzalne procesy operacyjne, zebrać dane z monitoringu, logów i dokumentacji oraz zdefiniować przypadki użycia o mierzalnym efekcie, na przykład klasyfikację alertów albo automatyczne podpowiedzi działań naprawczych. Przykładem dobrego startu jest wdrożenie agenta analizującego alerty i SOP-y, który proponuje kolejne kroki administratorom zamiast samodzielnie wykonywać zmiany. Jeśli chcesz przećwiczyć to krok po kroku, zobacz: AI w utrzymaniu systemów IT (AI/SYS).

Bezpieczny pipeline CI/CD łączy IaC, kontrolę zmian, skanowanie konfiguracji i reguły zatwierdzania z dodatkowymi mechanizmami wspieranymi przez AI. Trzeba sprawdzić walidację planów Terraform, separację uprawnień, obsługę sekretów, polityki kosztowe, komentarze do pull requestów oraz to, czy modele nie generują zmian wykraczających poza ustalony zakres. Przykładem jest workflow, w którym AI przygotowują propozycję modułu Terraform, a pipeline uruchamia testy, policy checks i ręczną akceptację przed wdrożeniem. Dokładnie ten zestaw narzędzi i workflow ćwiczymy podczas szkolenia: AI DevOps z Claude, Cline i Terraform – CI/CD w praktyce.

RAG, czyli Retrieval-Augmented Generation, polega na dostarczaniu modelowi aktualnego kontekstu z dokumentacji, procedur, logów i innych źródeł wiedzy przed wygenerowaniem odpowiedzi. W praktyce trzeba przygotować pipeline dokumentów, embedding, mechanizm wyszukiwania oraz zasady doboru źródeł, aby odpowiedzi opierały się na danych z konkretnego środowiska, a nie wyłącznie na wiedzy ogólnej modelu. Przykładem jest asystent dla zespołu operacyjnego, który podczas analizy incydentu pobiera fragmenty runbooków, historię alertów i logi z ostatnich wdrożeń. Wersję warsztatową (z konfiguracją i przykładami) znajdziesz w programie szkolenia: AI w utrzymaniu systemów IT (AI/SYS).

Szkolenia z tej podkategorii adresowane są do programistów, architektów chmurowych, DevOps engineerów, SRE, administratorów oraz zespołów utrzymaniowych pracujących z automatyzacją i infrastrukturą. Najwięcej skorzystają osoby, które znają podstawy kontenerów, API, pracy z repozytoriami, pipeline’ów lub Kubernetes, ponieważ łatwiej przełożą modele AI i LLM na rzeczywiste procesy operacyjne. Przykładem właściwego profilu są inżynierowie odpowiedzialni za projektowanie i utrzymanie pipeline’ów, którzy chcą dodać AI-assisted code review, analizę incydentów i automatyzację wdrożeń. Ten temat przerabiamy praktycznie na szkoleniu: AI DevOps z Claude, Cline i Terraform – CI/CD w praktyce.