Cuando la computación en la nube estuvo preparada para las empresas y herramientas como la integración y la entrega continuas, la infraestructura como código y Kubernetes se generalizaron, marcó un claro cambio de paradigma en desarrollo y operaciones. El trabajo que separa desarrollo y operaciones se convirtió en responsabilidades de desarrollo, y los equipos colaborativos pasaron del trabajo manual de configuración de infraestructura, escalamiento de entornos informáticos e implementación de aplicaciones a una automatización más avanzada y flujos de trabajo orquestados. Los expertos creen que las capacidades generativas de IA, los copilotos y los grandes modelos de lenguaje (LLM) ) están marcando el comienzo de una nueva era en la forma en que los desarrolladores, científicos de datos e ingenieros trabajarán e innovarán. Esperan que la IA mejore la productividad, la calidad y la innovación, pero los equipos de desarrollo y desarrollo deben comprender y gestionar un nuevo conjunto de datos, seguridad y otros riesgos operativos. Más importante aún, los CIO y los equipos de desarrollo, seguridad de la información y ciencia de datos desempeñarán papeles importantes a la hora de habilitar y proteger la organización utilizando capacidades de IA generativa. Los líderes de TI deben impulsar un cambio de responsabilidad en la IA. Los CIO y los líderes de TI deben preparar a sus equipos y empleados para este paradigma. cambio y cómo la IA generativa impacta las prioridades de transformación digital. Nicole Helmer, vicepresidenta de desarrollo y aprendizaje del éxito del cliente en SAP, dice que la capacitación debe ser una prioridad. «Las empresas deberían priorizar la capacitación de los desarrolladores, y el factor crítico para aumentar la adaptabilidad es crear un espacio para que los desarrolladores aprendan, exploren y adquieran experiencia práctica con estas nuevas tecnologías de IA», afirma. El cambio puede ser profundo y táctico, ya que se produce más automatización de TI, lo que permite que TI pase a asumir más responsabilidades de innovación, arquitectura y seguridad. “A la luz de la IA generativa, los equipos de desarrollo deben despriorizar las habilidades básicas de scripting para el aprovisionamiento y configuración de infraestructura, las configuraciones de monitoreo de bajo nivel y el seguimiento de métricas, y automatización de pruebas, dice el Dr. Harrick Vin, director de tecnología de TCS. «En cambio, deberían centrarse más en el análisis de los requisitos del producto, la definición de criterios de aceptación, el software y el diseño arquitectónico, todo lo cual requiere pensamiento crítico, diseño, establecimiento de objetivos estratégicos y habilidades creativas para la resolución de problemas». Aquí hay cuatro devsecops, ciencia de datos y otras habilidades de TI para desarrollar en esta era de IA generativa. 1. Solicitar a las IA, pero investigar y validar la respuesta. Las indicaciones son fundamentales cuando se trabaja con herramientas de IA generativa, incluidos ChatGPT, copilotos y otros LLM. Pero la habilidad más importante es evaluar resultados, reconocer alucinaciones y validar de forma independiente las recomendaciones de la IA generativa. “Los desarrolladores, evaluadores y analistas de negocios deben aprender a escribir indicaciones [and learn] dónde la IA generativa funciona bien y dónde falla”, dice David Brooks, vicepresidente senior y evangelista principal de Copado. «Adopte una mentalidad de ‘confiar pero verificar’ en la que realmente lea todo el contenido generado para determinar si tiene sentido». Cody De Arkland, director de relaciones con desarrolladores de LaunchDarkly, dice que las habilidades de motivación y validación deben aplicarse a los experimentos con LLM. “Si se usa correctamente, los desarrolladores pueden aprovechar un LLM para mejorar la experimentación de sus productos generando rápidamente nuevas variaciones de experimentos, especialmente cuando el mensaje se enmarca en torno a su hipótesis y con la audiencia adecuada en mente. Aprender a detectar las brechas en las respuestas que dan y cómo tomar el 90% que te brinda y cerrar la brecha en el 10% final te convertirá en un practicante de Devops mucho más efectivo”. Mi recomendación para los ingenieros de devsecops es cambiar el problema. enfoques de resolución. Antes de los LLM, los ingenieros investigaban, validaban, implementaban y probaban soluciones. Hoy en día, los ingenieros deberían insertar indicaciones al inicio del proceso pero no perder los pasos restantes al experimentar. Mejore los LLM con ingeniería de datos Cuando le pregunté a Akshay Bhushan, socio de Tola Capital, cuál era su elección entre un importante conjunto de habilidades de IA generativa, respondió: «La ingeniería de datos se está convirtiendo en la habilidad más importante porque necesitamos personas para construir canales para alimentar datos al modelo «. Antes de los LLM, muchas organizaciones se centraban en construir canales de datos sólidos, mejorar la calidad de los datos, habilitar capacidades de ciencia de datos ciudadanos y establecer una gobernanza de datos proactiva en datos estructurados. Los LLM requieren una gama ampliada de datos no estructurados, incluidos textos, documentos y multimedia para capacitar y permitir un contexto más amplio. Las organizaciones necesitarán científicos de datos y especialistas en gobernanza de datos para aprender nuevas herramientas que respalden las canalizaciones de datos no estructurados y desarrollen incorporaciones de LLM, y habrá oportunidades para que los ingenieros de devsecops integren aplicaciones y automaticen la infraestructura subyacente. «Los modelos de IA generativa dependen en gran medida de los datos para el entrenamiento y la evaluación, por lo que las habilidades de orquestación de la canalización de datos son esenciales para limpiar, preprocesar y transformar los datos en un formato adecuado para el aprendizaje automático», afirma Rohit Choudhary, cofundador y director ejecutivo de Acceldata. «Las habilidades de visualización también son importantes para comprender la distribución de datos, identificar patrones y analizar el rendimiento del modelo». Todos los tecnólogos tendrán oportunidades de aprender nuevas habilidades de ingeniería de datos y aplicarlas a las crecientes necesidades comerciales.3. Conozca la pila de IA, desde copilotos hasta modelos. Los proveedores de plataformas tecnológicas están introduciendo capacidades de IA generativa en IDE, plataformas de gestión de servicios de TI y otras herramientas de desarrollo ágil. Los copilotos que generan código basándose en las indicaciones de los desarrolladores son oportunidades prometedoras para los desarrolladores, pero requieren evaluar los resultados en cuanto a integración, rendimiento, seguridad y consideraciones legales. “La IA ha marcado el comienzo de una era completamente nueva de eficiencia, pero herramientas como Copilot producen enormes cantidades de código que no siempre son precisas”, dijo el fundador y director ejecutivo de Pryon, Igor Jablokov. «Tanto la industria de la pila de desarrollo como la de la ciberseguridad tendrán que ponerse al día en la detección del código generativo para garantizar que no se introduzcan problemas de derechos de autor ni defectos en la empresa». Las organizaciones con una importante propiedad intelectual pueden crear incrustaciones y desarrollar LLM privatizados para generar y utilizar consultas en lenguaje natural en estos datos. Los ejemplos incluyen la búsqueda de información financiera, el desarrollo de LLM sobre datos de pacientes de atención médica o el establecimiento de nuevas herramientas de aprendizaje educativo. Los desarrolladores y científicos de datos que quieran contribuir al desarrollo de LLM tienen varias tecnologías nuevas que aprender. «El ingeniero de desarrollo moderno necesita aprender las bases de datos vectoriales y la pila de código abierto, como Hugging Face, Llama y LangChain», dice Nikolaos Vasiloglou, vicepresidente. de investigación sobre aprendizaje automático en RelationalAI. “Si bien es popular utilizar modelos de lenguaje gigantes con 100 mil millones de parámetros, hay evidencia suficiente de que el juego podría cambiar con ajustes finos y componiendo cientos de modelos más pequeños. Gestionar el ciclo de vida de estos modelos es otra tarea que no es trivial”. Por último, aunque es importante desarrollar pruebas de concepto y experimentar, el objetivo debe ser ofrecer capacidades de IA generativa listas para producción, monitorear sus resultados y mejorarlos continuamente. Las disciplinas de MLops y modelops se extienden desde el aprendizaje automático hasta la IA generativa y son necesarias para respaldar el desarrollo completo y los ciclos de vida. Kjell Carlsson, jefe de estrategia y evangelización de ciencia de datos en Domino, dice: «La capacidad de operacionalizar modelos de IA generativa y sus procesos se está convirtiendo rápidamente en la habilidad más valiosa en IA, ya que es la barrera más grande para impulsar el impacto con la IA generativa”.4. Todos los expertos afirman que investigar, validar y probar las respuestas de una IA generativa son disciplinas críticas, pero muchas organizaciones de TI carecen del personal, las habilidades y las herramientas de seguridad y automatización de pruebas de control de calidad para enfrentar los crecientes desafíos. Los desarrolladores, ingenieros de operaciones y científicos de datos deberían invertir en estas habilidades de seguridad y automatización de pruebas para ayudar a llenar estos vacíos. “Con la IA, podemos cambiar la seguridad, el control de calidad y la observabilidad que quedan en el ciclo de vida del desarrollo, detectar los problemas antes y ofrecer mejores resultados. código de calidad y brindar a los desarrolladores retroalimentación rápida”, dice Marko Anastasov, cofundador de Semaphore CI/CD. «Las habilidades heredadas, como las pruebas manuales y la seguridad aislada, pueden volverse menos importantes a medida que la IA y la automatización se hagan cargo de una mayor parte de ese trabajo». TI debe instituir pruebas continuas y disciplinas de seguridad siempre que inserten capacidades generativas de IA en sus flujos de trabajo, aprovechen el código generado por IA o experimente con el desarrollo de LLM. “Los equipos de Devops deben priorizar las habilidades que cierran la brecha entre la IA generativa y los devops, como dominar la detección de amenazas impulsada por IA, garantizar la seguridad de los canales automatizados de CI/CD y comprender la corrección de errores basada en IA”, dice Stephen Magill, vicepresidente de innovación de productos de Sonatype. «También es crucial invertir en áreas que son los mayores puntos débiles para los equipos, como la falta de conocimiento sobre cómo se creó el código o la expansión del código debido a la producción excesiva de código, mientras que se puede poner menos énfasis en las tareas manuales y reactivas». Sin embargo, centrarse en la seguridad y las pruebas sobre cómo TI utiliza la IA generativa es insuficiente, ya que muchos otros departamentos y empleados ya están experimentando con ChatGPT y otras herramientas de IA generativa. David Haber, director ejecutivo y cofundador de Lakera, dice que los equipos de desarrollo deben comprender la seguridad de la IA. . “Desarrollar habilidades para mitigar vulnerabilidades comunes, como inyecciones rápidas o envenenamiento de datos de entrenamiento, y realizar ejercicios de formación de equipos rojos orientados a LLM. Los equipos de Devops deben implementar mecanismos de monitoreo continuo y respuesta a incidentes para detectar rápidamente amenazas emergentes y responder antes de que se conviertan en un problema para toda la empresa”. ¿La IA generativa cambiará el mundo o los riesgos y las regulaciones ralentizarán el ritmo de la innovación? Cada avance tecnológico importante conlleva nuevas oportunidades, desafíos y riesgos técnicos. Aprender las herramientas y aplicar enfoques basados ​​en pruebas son prácticas clave para que los tecnólogos se adapten a la IA generativa, y existen crecientes responsabilidades de seguridad que abordar a medida que los departamentos buscan poner en funcionamiento las capacidades habilitadas por la IA. Copyright © 2024 IDG Communications, Inc.

Source link