Automatisation DevOps, une étude met en avant les avantages de l’adoption des LLM

Selon un nouveau rapport de Dynatrace, l’automatisation DevOps profite aux entreprises, mais les défis liés aux données et la nécessité de tirer parti de l’intelligence artificielle restent des obstacles majeurs que les organisations doivent surmonter pour atteindre des niveaux plus élevés de maturité en matière d’automatisation. Le rapport DevOps Automation Pulse 2023 révèle qu’en moyenne 56 % des processus DevOps de bout en bout sont automatisés. Cependant, seules 38 % des organisations admettent avoir une stratégie d’automatisation DevOps clairement définie.

450 professionnels de l’informatique interrogés aux USA, en Europe, au Moyen-Orient et en Asie

Le rapport a interrogé 450 professionnels de l’informatique responsables du DevOps et de l’automatisation de la sécurité dans de grandes organisations aux États-Unis, en Europe, au Moyen-Orient et en Asie.

Les entreprises informatiques interrogées souhaitent automatiser le travail DevOps, mais ont constaté que des problèmes de sécurité (54 %), des difficultés à opérationnaliser les données (54 %) et la complexité de la chaîne d’outils (53 %) empêchent la mise en œuvre.

« Les équipes sont enlisées dans des silos de données, des poches d’automatisation isolées et des opérations réactives et manuelles et des efforts de sécurité », a-t-il déclaré. Bernd Greifeneder, CTO de Dynatrace. « Ils ont besoin de toute urgence d’une approche unifiée et basée sur l’IA en matière d’automatisation DevOps, sinon il sera impossible d’accélérer l’innovation tout en préservant la qualité et la sécurité des logiciels. »

Les principaux problèmes : données et compétences

Dans le rapport, Dynatrace a constaté que l’automatisation des processus dans DevOps produit des avantages tangibles pour les entreprises.

En moyenne, les personnes interrogées ont signalé une amélioration de 61 % de la qualité des logiciels, une amélioration de 58 % de la satisfaction des employés, une réduction de 57 % des échecs de déploiement et une réduction de 55 % des coûts informatiques grâce à l’automatisation.

Cependant, des défis subsistent quant à l’utilisation des données et des informations pour piloter les décisions d’automatisation. Les répondants de Dynatrace ont déclaré que Les principaux obstacles à l’utilisation des données à des fins d’automatisation sont les données inaccessibles (51 %), les données cloisonnées (43 %) et la nécessité pour les données de passer par de nombreux systèmes pour être analysées (41 %).

Environ 54 % des personnes interrogées ont déclaré investir dans des plateformes pour faciliter l’intégration d’outils et la collaboration entre les équipes impliquées dans des projets d’automatisation.

Cependant, les personnes interrogées ont déclaré qu’elles s’appuient en moyenne sur plus de sept outils différents, ce qui démontre que des outils disparates et des flux de travail fragmentés constituent un obstacle.

Un autre obstacle à la mise en œuvre de l’automatisation DevOps concerne les compétences. Environ 56 % des personnes interrogées ont déclaré que la connaissance des langages de script est l’une des plus grandes lacunes en matière de compétences entravant l’automatisation.

Comment les LLM peuvent augmenter la productivité

Une façon d’améliorer les charges de travail pourrait consister à utiliser des modèles de langage étendus (LLM). Les personnes interrogées ont cité les LLM comme contribuant à la productivité et réduisant les efforts manuels (57 %), ainsi que comme permettant aux équipes de générer du code automatiquement (48 %).

Les grands modèles de langage peuvent être affinés sur des données existantes pour améliorer des tâches spécifiques, ou utiliser des modèles spécifiquement conçus pour des domaines, tels que Hibou, le modèle qui automatise les activités informatiques.

Le rapport de Dynatrace indique que les équipes DevOps devront combiner de grands modèles de langage et la maturité des données pour « fournir précision et prédiction ».

« L’automatisation basée sur les données est la clé pour libérer l’innovation et répondre aux attentes des clients à l’ère du cloud natif », a déclaré Greifeneder. « Contrairement aux techniques d’IA traditionnelles, dont la portée et l’applicabilité sont limitées, les plates-formes combinant des techniques prédictives, causales et génératives peuvent exceller dans des capacités spécifiques pour répondre à différents cas d’utilisation de l’automatisation DevOps.