L’integrazione dell’intelligenza artificiale nei flussi di lavoro di revisione del codice consente ai leader tecnici di rilevare rischi sistemici che spesso sfuggono al rilevamento umano su larga scala.
Per i leader tecnici che gestiscono sistemi distribuiti, il compromesso tra velocità di implementazione e stabilità operativa spesso definisce il successo della loro piattaforma. Datadoguna società responsabile dell’osservabilità di infrastrutture complesse in tutto il mondo, opera sotto forte pressione per mantenere questo equilibrio.
Quando i sistemi di un cliente falliscono, si affidano alla piattaforma Datadog per diagnosticare la causa principale, il che significa che l’affidabilità deve essere stabilita bene Prima il software raggiunge un ambiente di produzione.
Aumentare questa affidabilità è una sfida operativa. La revisione del codice ha tradizionalmente agito come custode principale, una fase ad alto rischio in cui gli ingegneri senior tentano di individuare gli errori. Tuttavia, man mano che i team si espandono, fare affidamento su revisori umani per mantenere una profonda conoscenza contestuale dell’intera base di codice diventa insostenibile.
Per risolvere questo collo di bottiglia, il team AI Development Experience (AI DevX) di Datadog ha integrato OpenAI Codicecon l’obiettivo di automatizzare il rilevamento dei rischi che i revisori umani spesso non rilevano.
Perché l’analisi statica non è all’altezza
Il mercato aziendale utilizza da tempo strumenti automatizzati per assistere nella revisione del codice, ma la loro efficacia è stata storicamente limitata.
Le prime iterazioni degli strumenti di revisione del codice AI spesso si comportavano come “linter avanzati”, identificando problemi di sintassi superficiali ma non riuscendo a cogliere l’architettura di sistema più ampia. Poiché questi strumenti non erano in grado di comprendere il contesto, gli ingegneri di Datadog spesso respingevano i loro suggerimenti come rumore.
Il problema principale non era rilevare gli errori isolatamente, ma capire come un cambiamento specifico potesse propagarsi attraverso i sistemi interconnessi. Datadog richiedeva una soluzione in grado di ragionare sulla base di codice e sulle sue dipendenze, piuttosto che limitarsi a cercare violazioni di stile.
Il team ha integrato il nuovo agente direttamente nel flusso di lavoro di uno dei repository più attivi, consentendogli di rivedere automaticamente ogni richiesta pull. A differenza degli strumenti di analisi statica, questo sistema confronta l’intento dello sviluppatore con l’effettivo invio del codice, eseguendo test per validare il comportamento.
Per CTO e CIO, la difficoltà nell’adottare l’intelligenza artificiale generativa spesso risiede nel dimostrarne il valore oltre l’efficienza teorica. Datadog ha aggirato i parametri di produttività standard creando un “cablaggio di riproduzione degli incidenti” per testare lo strumento rispetto alle interruzioni storiche.
Invece di fare affidamento su ipotetici casi di test, il team ha ricostruito le richieste pull passate che erano note per aver causato incidenti. Hanno quindi confrontato l’agente AI con queste modifiche specifiche per determinare se avrebbe segnalato i problemi che gli umani non avevano notato nelle loro revisioni del codice.
I risultati hanno fornito un punto dati concreto per la mitigazione del rischio: l’agente ha identificato oltre 10 casi (circa il 22% degli incidenti esaminati) in cui il suo feedback avrebbe evitato l’errore. Si trattava di richieste pull che avevano già aggirato la revisione umana, dimostrando che l’intelligenza artificiale presentava rischi invisibili agli ingegneri in quel momento.
Questa convalida ha cambiato la conversazione interna riguardante l’utilità dello strumento. Brad Carter, a capo del team AI DevX, ha osservato che, sebbene i miglioramenti in termini di efficienza siano benvenuti, “prevenire gli incidenti è molto più avvincente sulla nostra scala”.
Come le revisioni del codice AI stanno cambiando la cultura ingegneristica
L’implementazione di questa tecnologia a più di 1.000 ingegneri ha influenzato la cultura della revisione del codice all’interno dell’organizzazione. Invece di sostituire l’elemento umano, l’intelligenza artificiale funge da partner che gestisce il carico cognitivo delle interazioni tra servizi.
Gli ingegneri hanno riferito che il sistema segnalava costantemente problemi che non erano evidenti dall’immediata differenza di codice. Ha identificato la mancanza di copertura dei test nelle aree di accoppiamento tra servizi e ha sottolineato le interazioni con i moduli che lo sviluppatore non aveva toccato direttamente.
Questa profondità di analisi ha cambiato il modo in cui lo staff tecnico interagiva con il feedback automatizzato.
“Per me, un commento del Codex mi fa sentire come se fossi l’ingegnere più intelligente con cui ho lavorato e che ha un tempo infinito per trovare bug. Vede connessioni che il mio cervello non riesce a cogliere tutte in una volta”, spiega Carter.
La capacità del sistema di revisione del codice AI di contestualizzare le modifiche consente ai revisori umani di spostare la propria attenzione dall’individuazione dei bug alla valutazione dell’architettura e del design.
Dalla caccia ai bug all’affidabilità
Per i leader aziendali, il case study di Datadog illustra una transizione nel modo in cui viene definita la revisione del codice. Non è più visto semplicemente come un punto di controllo per il rilevamento degli errori o una metrica per il tempo di ciclo, ma come un sistema di affidabilità fondamentale.
Facendo emergere rischi che superano il contesto individuale, la tecnologia supporta una strategia in cui la fiducia nel codice di spedizione scala insieme alla squadra. Ciò è in linea con le priorità della leadership di Datadog, che considera l’affidabilità come una componente fondamentale della fiducia del cliente.
“Noi siamo la piattaforma su cui fanno affidamento le aziende quando tutto il resto va in pezzi”, afferma Carter. “Prevenire gli incidenti rafforza la fiducia che i nostri clienti ripongono in noi”.
La riuscita integrazione dell’intelligenza artificiale nella pipeline di revisione del codice suggerisce che il valore più alto della tecnologia per l’azienda potrebbe risiedere nella sua capacità di applicare standard di qualità complessi che proteggono i profitti.
Vedi anche: Il dimensionamento dell’intelligenza artificiale richiede una nuova architettura di memoria
Vuoi saperne di più sull’intelligenza artificiale e sui big data dai leader del settore? Guardare Fiera dell’intelligenza artificiale e dei big data che si svolge ad Amsterdam, in California, e a Londra. L’evento completo è parte di TechEx ed è situato in concomitanza con altri importanti eventi tecnologici. Clic Qui per ulteriori informazioni
AI News è alimentato da Media TechForge. Esplora altri prossimi eventi e webinar sulla tecnologia aziendale Qui.
Fonte: www.artificialintelligence-news.com
