Ben Lorica és Charity Majors beszélgetésében — rész a Generative AI in the Real World podcastból — azt járták körül, hogyan változtatja meg a generatív mesterséges intelligencia a megbízható szoftverek építésének munkáját. Charity Majors a Honeycomb társalapítója és technológiai igazgatója volt a vendég, és a beszélgetés több fontos témát érintett: az observability szerepét, a nem-determinisztikus rendszerek követelményeit, az OpenTelemetry használatát, valamint azt, hogy kik és hogyan tartoznak felelősséggel az AI-által előállított kódért.
Miért más a helyzet, ha az AI gyorsan generál kódot?
Majors szerint az AI képességei miatt a megvalósítás gyorsabban előállítható, mint ahogy a csapatok megérthetik és üzemeltethetik azt. Bár az AI képes implementációt, teszteket és dokumentációt generálni, a csapatoknak továbbra is érteniük kell, mit vállaltak üzemeltetésre, és hogyan tapasztalják a felhasználók a terméket. Amint „a sorok generálása lényegében ingyenes és azonnali” lesz, a validáció, a kódáttekintés és az operációs támogatás gyakran fogja meghatározni a fejlesztés ütemét.
Majors megjegyezte, hogy ez nem csak az AI hatása: a szoftverfejlesztési életciklus minden más része is korlátot jelenthet.
Observability vs. monitoring
A podcastban elhangzott kulcsgondolat: „Observability is for unknown unknowns.” A monitoring küszöbök és riasztások beállítására jó ismert, várt állapotokhoz; az observability viszont lehetővé teszi a nyitott végű vizsgálódást — válaszokat keresni olyan kérdésekre, amelyeket előre nem tettek fel, és „megtalálni olyan dolgokat, amire nem számítottál”.
Majors azt is elmondta, hogy amikor az AI kódgenerálása olyan képességre tett szert, hogy megváltoztatta a szoftvermunkát, az observability legjobb gyakorlatai is fejlődni kényszerültek. Ennek egyik jele, hogy az általa társszerzőként jegyzett Observability Engineering második kiadása több mint kétszeresére nőtt.
Nem-determinisztikus rendszerek: több fegyelem, nem kevesebb
Majors hangsúlyozta, hogy a szoftver jövője egyszerre determinisztikus és nem-determinisztikus elemekből áll majd. Az ilyen rendszerek működtetéséhez szerkezetre és szigorúbb visszacsatolási hurkokra van szükség. Analógiájában azt mondta: eddig „fűnyírókon mentünk, most viszont Ferrari-motort tettünk a fűnyíróba” — ez sokkal nagyobb sebességet és ezzel együtt nagyobb kockázatot jelent, tehát több rendszerszintű fegyelem kell ahhoz, hogy ne „fussatok a falnak”.
Observabilityt Majors a „visszacsatolási hurkok visszacsatolásának” nevezte: az a képesség, amely összeköti a változtatásokat az eredményekkel, és segít a csapatoknak megtudni, mi történt egy módosítás után.
„Owner on the loop”: aktív megértés és kontroll
A beszélgetésben Majors kifejtette, hogy az embereknek nem elég csak „a hurkon belül” maradniuk; szerinte jobb kifejezés az „owner on the loop”, mert ez hangsúlyozza az aktív megértést és irányítást. Az ügynökök (agents) döntéseit és lépéseit láthatóvá kell tenni: Majors javaslata a kezdéshez az autoinstrumentáció OpenTelemetry-vel és a trace-ek gyűjtése, amelyek rögzítik az ügynökök döntéseit egy feladat során.
AI képes felerősíteni tapasztalt hibakereső és SRE csapatok munkáját, különösen ritka, nagy kockázatú incidensek során, ahol az emberek irányítása kritikus. Ugyanakkor ezek az eszközök nem varázslatok: „az AI nem helyettesíti a szakértelmet, de nagyon erős segéd lehet a vállad mellett.”
Telemetria és stratégiai megkülönböztetés
Majors megkülönböztette a harmadik féltől származó infrastruktúra bőséges kimenetét és a vállalat saját, üzletileg kritikus telemetriáját. A külső kód sok logot és metrikát küld be, amelyeket érdemes olcsó, kommodit tárhelyre tenni — hogy ott legyenek, ha szükség van rájuk, de nem kell rájuk magas költségű feldolgozást alkalmazni.
Ezzel szemben a vállalat „koronakincsei” — saját kódja és azok adatai — olyan instrumentációt igényelnek, amely megőrzi az adatok közötti relációkat: széles, strukturált adatblokkokat, strukturált logokat és trace-eket sok span-nal. A kapcsolatok megőrzése lehetővé teszi, hogy az események összefüggéseit vizsgáljuk: mikor mi történt, mi volt igaz egy adott eseménynél, és hogyan illeszkedett egy hosszabb eseménysorba. Ezek a legértékesebb adatok, és olyan helyre kell kerülniük, amely megőrzi ezeket a kapcsolódásokat, és felfedezhetőséget nyit meg az emberek vagy az ügynökök számára.
Szerzői hitel, szakértelem és a gyakorlati tanulás
A beszélgetés kitért arra is, hogy az AI által segített munka — illetve a munkáról szóló publikációk — bonyolítják a szerzői jogosultságokat és a szakértelem bemutatását. Majors és Lorica egyetértettek abban, hogy aki azt állítja, egy eredményt AI segítségével ért el, azt képesnek kell lennie bemutatni a szakmai közönségnek.
Majors elismerte, hogy az AI átveszi az egyszerűbb, belépőszintű feladatokat, ami új utakat követelhet a junior gyakorlók mesterségbeli fejlődéséhez. Ugyanakkor szkeptikus azzal kapcsolatban, hogy kifogynánk a megoldandó problémákból: a számítógépek számítási sebessége nem csökkenti a gyakorlat, a fegyelem és a tanulás értékét; egyszerűen más dolgokban leszünk a leghatékonyabbak.
Összegzés
Charity Majors üzenete tömören: a generatív AI megváltoztatja, hogy hogyan íródik meg a kód, de a megbízhatóság, az üzemeltetés és a fenntartható értékteremtés kulcsa továbbra is az observability, a jó műszaki fegyelem és az egyértelmű emberi tulajdon. Az OpenTelemetry, a trace-ek és a megőrzött adatrelációk gyakorlata segítenek abban, hogy láthatóvá váljanak az ügynökök döntései, és lehetővé tegyék a csapatok számára a tanulást és a biztonságos működtetést, még a nem-determinisztikus rendszerek világában is.
Podcast, szerzők és további források: a beszélgetés a Generative AI in the Real World podcast része; Ben Lorica és Charity Majors a vendégek/szerzők. A podcast epizódjai elérhetők az O’Reilly Learning platformon és a szokásos podcast-szolgáltatókon (YouTube, Spotify, Apple stb.).
