AI എന്റെ DevOps ജോലി എടുക്കുമോ?

ഏതാനും ആഴ്ചകൾ കൂടുമ്പോൾ ആരെങ്കിലും എനിക്ക് "AI ഏജന്റ് ഒരു DevOps ടീമിനെ മുഴുവൻ മാറ്റിസ്ഥാപിക്കുന്നു" എന്നപോലുള്ള തലക്കെട്ടുള്ള ഒരു വീഡിയോ അയയ്ക്കും. ഞാൻ അത് കാണും, അൽപ്പം ചിരിക്കും, പിന്നെ, സത്യം പറഞ്ഞാൽ, സമ്മതിക്കാൻ ആഗ്രഹിക്കുന്നതിനേക്കാൾ കുറച്ചുനേരം കൂടി അതിനെക്കുറിച്ച് ചിന്തിക്കും.

ഞാൻ ഒരു DevOps എഞ്ചിനീയറാണ്. സോഫ്റ്റ്‌വെയർ നിർമ്മിക്കപ്പെടുകയും പരിശോധിക്കപ്പെടുകയും എത്തിക്കപ്പെടുകയും പ്രവർത്തിച്ചുകൊണ്ടിരിക്കുകയും ചെയ്യുന്നുവെന്ന് ഉറപ്പാക്കുകയാണ് എന്റെ ജോലി. പൈപ്പ്‌ലൈനുകൾ, ക്ലൗഡ് ഇൻഫ്രാസ്ട്രക്ചർ, കണ്ടെയ്നറുകൾ, മോണിറ്ററിംഗ്, പിന്നെ ഇടയ്ക്കിടെ ഒരു ശാന്തമായ സന്ധ്യയെ നശിപ്പിക്കുന്ന ഒരു അലേർട്ടും. അതുകൊണ്ട് AI എല്ലാം ഓട്ടോമേറ്റ് ചെയ്യുമെന്ന് ആളുകൾ പറയുമ്പോൾ, എന്റെ ജോലി ലിസ്റ്റിന്റെ മുകളിലാണെന്നാണ് കരുതപ്പെടുന്നത്. ഞാൻ ശരിക്കും എന്ത് കരുതുന്നു എന്നത് ഇതാ.

എന്റെ ലോകത്ത് AI ഇതിനകം നന്നായി ചെയ്യുന്നത്

ആദ്യം ന്യായമായി പറയാം. DevOps-ൽ AI ശരിക്കും ഉപകാരപ്രദമായിക്കഴിഞ്ഞു, അങ്ങനെയല്ലെന്ന് നടിക്കുന്നത് മണ്ടത്തരമാണ്.

വിരസമായ കോൺഫിഗറേഷൻ എഴുതൽ. ഒരു പൈപ്പ്‌ലൈൻ ഫയൽ, ഒരു Dockerfile, ഒരു Kubernetes മാനിഫെസ്റ്റ്, ഒരു കഷണം Terraform. പാറ്റേണുകൾ പിന്തുടരുന്ന, ഞാൻ പഴയ പ്രോജക്റ്റുകളിൽ നിന്നോ ഡോക്യുമെന്റേഷനിൽ നിന്നോ പകർത്തിയിരുന്ന കാര്യങ്ങൾ. ഒരു AI അസിസ്റ്റന്റ് നിമിഷങ്ങൾക്കുള്ളിൽ ഉറച്ച ഒരു ആദ്യ ഡ്രാഫ്റ്റ് തരുന്നു.

ഏതൊരു മനുഷ്യനേക്കാളും വേഗത്തിൽ ലോഗുകൾ വായിക്കൽ. എന്തെങ്കിലും തകരുമ്പോൾ, ഉത്തരം സാധാരണയായി ആയിരക്കണക്കിന് വരി ലോഗുകളിൽ കുഴിച്ചിട്ടിരിക്കും. AI ടൂളുകൾ അവ സംഗ്രഹിക്കുന്നതിലും, പ്രധാനപ്പെട്ട ആ ഒരു പിശക് കണ്ടെത്തുന്നതിലും, അതിന് കാരണമായിരിക്കാവുന്ന മാറ്റം ചൂണ്ടിക്കാണിക്കുന്നതിലും വളരെ മിടുക്കരാണ്.

അപരിചിതമായ കാര്യങ്ങൾ വിശദീകരിക്കൽ. എഴുതിയത് ആരും ഓർക്കാത്ത ഒരു പഴയ സ്ക്രിപ്റ്റ്, ഞാൻ മുമ്പ് ഉപയോഗിച്ചിട്ടില്ലാത്ത ഒരു ടൂൾ, ഒരു വിചിത്രമായ എറർ മെസേജ്. അത് വിശദീകരിക്കാൻ AI-യോട് ചോദിക്കുന്നത് ഒരുപാട് തിരച്ചിൽ ലാഭിക്കുന്നു.

ചെറിയ പരിഹാരങ്ങൾ സ്വയം ചെയ്യൽ. ഏറ്റവും പുതിയ ടൂളുകൾ ഏജന്റുകളെപ്പോലെയാണ് പ്രവർത്തിക്കുന്നത്. പരാജയപ്പെടുന്ന ഒരു ടെസ്റ്റ് കാണാനും, ലോഗുകൾ വായിക്കാനും, കാരണം ഊഹിക്കാനും, ഒരു പരിഹാരം എഴുതാനും, ഒരു പുൾ റിക്വസ്റ്റ് തുറക്കാനും അവയ്ക്ക് കഴിയും. മുകളിലെ ചിത്രം ഇനി സയൻസ് ഫിക്ഷനല്ല.

ഇതുവരെ ചെയ്യാൻ കഴിയാത്തത്

എന്നിട്ടും, എന്റെ ജോലിയിലെ കഠിനമായ ഭാഗങ്ങൾ മിക്കതും ടൈപ്പിംഗ് അല്ല.

സന്ദർഭം അറിയൽ. ഈ സർവീസ് എന്തുകൊണ്ട് ഈ വിചിത്രമായ രീതിയിൽ കോൺഫിഗർ ചെയ്തിരിക്കുന്നു? കാരണം മൂന്ന് വർഷം മുമ്പ് അത് ഒരു ഔട്ടേജിന് കാരണമായി, പരിഹാരം കൃത്യം ഈ വിചിത്രമായ സെറ്റിംഗായിരുന്നു. ആ അറിവ് ആളുകളുടെ തലയിലും പഴയ ടിക്കറ്റുകളിലും പാതി ഓർമ്മയുള്ള സംഭാഷണങ്ങളിലുമാണ്. AI കോഡ് കാണുന്നു. ചരിത്രം കാണുന്നില്ല.

ഉത്തരവാദിത്തം ഏറ്റെടുക്കൽ. പ്രൊഡക്ഷൻ ഡൗണാകുകയും ഉപഭോക്താക്കളെ ബാധിക്കുകയും ചെയ്യുമ്പോൾ, ആരെങ്കിലും തീരുമാനിക്കണം: റോൾബാക്ക് ചെയ്യണോ, അതോ ഒരു പരിഹാരം മുന്നോട്ട് പുഷ് ചെയ്യണോ? ഡാറ്റാബേസ് ടീമിനെ ഉണർത്തണോ, അതോ പത്ത് മിനിറ്റ് കാത്തിരിക്കണോ? ആ തീരുമാനങ്ങളിൽ റിസ്ക്, വിട്ടുവീഴ്ചകൾ, ഉത്തരവാദിത്തം എന്നിവയുണ്ട്. AI-ക്ക് നിർദ്ദേശിക്കാം. ഒരു മനുഷ്യൻ അത് ഏറ്റെടുക്കണം.

ആത്മവിശ്വാസത്തോടെ തെറ്റുന്നത്, സുരക്ഷിതമായി. AI പൂർണ്ണമെന്ന് തോന്നുന്ന, എന്നാൽ സൂക്ഷ്മമായി തകരാറുള്ള കോൺഫിഗറേഷൻ എഴുതും. വളരെയധികം തുറന്ന ഒരു പെർമിഷൻ. ടെസ്റ്റിംഗിൽ പ്രവർത്തിക്കുകയും യഥാർത്ഥ ട്രാഫിക്കിൽ വീഴുകയും ചെയ്യുന്ന ഒരു സെറ്റിംഗ്. ഇൻഫ്രാസ്ട്രക്ചറിൽ, ചെറിയ തെറ്റുകൾ വളരെ ചെലവേറിയതോ വളരെ പരസ്യമായതോ ആകാം. ഓരോ AI നിർദ്ദേശത്തിനും ഇപ്പോഴും വ്യത്യാസം തിരിച്ചറിയാൻ കഴിയുന്ന ഒരാൾ വേണം.

ആളുകളോട് സംസാരിക്കൽ. DevOps-ന്റെ അത്ഭുതകരമായ ഒരു ഭാഗം സംഭാഷണമാണ്: ഡെവലപ്പർമാർക്ക് എന്ത് വേണമെന്ന് മനസ്സിലാക്കൽ, സ്റ്റാൻഡേർഡുകളിൽ യോജിക്കൽ, "ക്ലൗഡ് ഓണാക്കി പണം ലാഭിക്കാൻ" എന്തുകൊണ്ട് കഴിയില്ലെന്ന് ഒരു മാനേജരോട് വിശദീകരിക്കൽ. ഒരു മോഡലും അത് എനിക്കുവേണ്ടി ചെയ്യില്ല.

ഒരിക്കലും ക്ഷീണിക്കാത്ത, എന്നാൽ തനിക്ക് തെറ്റുന്നത് എപ്പോഴാണെന്ന് ഒരിക്കലും കൃത്യമായി അറിയാത്ത, വളരെ വേഗതയുള്ള ഒരു ജൂനിയർ എഞ്ചിനീയറാണ് AI.

ജോലി ശരിക്കും എങ്ങനെ മാറുന്നു

ജോലി അപ്രത്യക്ഷമാകുകയാണെന്ന് ഞാൻ കരുതുന്നില്ല. അത് ഒരു ലെവൽ മുകളിലേക്ക് നീങ്ങുകയാണെന്ന് ഞാൻ കരുതുന്നു.

കൈകൊണ്ട് കോൺഫിഗറേഷൻ എഴുതാൻ കുറച്ച് സമയം, അത് റിവ്യൂ ചെയ്യാൻ കൂടുതൽ സമയം. ലോഗുകളിലൂടെ കുഴിക്കാൻ കുറച്ച് സമയം, ലോഗുകൾ പറയുന്നതിനെക്കുറിച്ച് എന്ത് ചെയ്യണമെന്ന് തീരുമാനിക്കാൻ കൂടുതൽ സമയം. ആവർത്തിക്കുന്ന പരിഹാരങ്ങൾക്ക് കുറച്ച് സമയം, ആദ്യം തന്നെ തകരാത്ത സിസ്റ്റങ്ങൾ രൂപകൽപ്പന ചെയ്യാൻ കൂടുതൽ സമയം. പിന്നെ ഒരു പുതിയ തരം ജോലി: AI ഏജന്റുകളെ സുരക്ഷിതമായി സഹായിക്കാൻ അനുവദിക്കുന്ന ഗാർഡ്റെയിലുകൾ സജ്ജമാക്കൽ. അവയ്ക്ക് എന്ത് തൊടാം, എന്തിന് മനുഷ്യ അംഗീകാരം വേണം, അവയുടെ മാറ്റങ്ങൾ എങ്ങനെ പരിശോധിക്കാം, എങ്ങനെ പിൻവലിക്കാം.

ആ അവസാന ഭാഗം വളരെ DevOps ആണ്. ഓട്ടോമേഷനുള്ള സുരക്ഷാ റെയിലുകൾ നിർമ്മിക്കുന്നവരായിരുന്നു നമ്മൾ എന്നും. AI വളരെ ശക്തമായ ഒരു പുതിയ തരം ഓട്ടോമേഷൻ മാത്രമാണ്.

പിന്നെ MLOps

രസകരമായ ഒരു ട്വിസ്റ്റുമുണ്ട്. AI സിസ്റ്റങ്ങളെ തന്നെ നിർമ്മിക്കാനും വിന്യസിക്കാനും പ്രവർത്തിപ്പിച്ചുനിർത്താനും ആരെങ്കിലും വേണം. മോഡലുകൾക്കും പൈപ്പ്‌ലൈനുകൾ, മോണിറ്ററിംഗ്, വേർഷനിംഗ്, റോൾബാക്കുകൾ, ഓൺ-കോൾ എന്നിവ വേണം. ഞാൻ MLOps പഠിക്കാൻ തുടങ്ങിയതിന്റെ വലിയൊരു കാരണം അതാണ്. AI എന്റെ ലോകത്തേക്ക് വരുന്നുണ്ടെങ്കിൽ, പുറത്തുനിന്ന് നോക്കിനിൽക്കുന്നതിനേക്കാൾ, അത് ഉള്ളിൽ നിന്ന് എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് മനസ്സിലാക്കാനാണ് എനിക്കിഷ്ടം.

ഇന്ന് DevOps-ൽ തുടങ്ങുന്ന ഒരാളോട് ഞാൻ പറയുന്നത്

അടിസ്ഥാനങ്ങൾ ശരിയായി പഠിക്കുക, കാരണം AI-യുടെ ഔട്ട്പുട്ട് വിലയിരുത്താൻ നിങ്ങളെ സഹായിക്കുന്നത് അവയാണ്: നെറ്റ്‌വർക്കിംഗ്, Linux, ക്ലൗഡ് ശരിക്കും എങ്ങനെ പ്രവർത്തിക്കുന്നു, സുരക്ഷയുടെ അടിസ്ഥാനങ്ങൾ. എല്ലാ ദിവസവും AI ടൂളുകൾ ഉപയോഗിക്കുക, മുൻ തലമുറകൾ സ്ക്രിപ്റ്റിംഗ് പഠിച്ചതുപോലെ അവയിൽ മിടുക്കരാകുക. മനുഷ്യവശവും പരിശീലിക്കുക: വ്യക്തമായി എഴുതുക, വിട്ടുവീഴ്ചകൾ വിശദീകരിക്കുക, കാര്യങ്ങൾ തകരുമ്പോൾ ശാന്തരായിരിക്കുക.

ബുദ്ധിമുട്ടുന്ന എഞ്ചിനീയർമാർ AI മാറ്റിസ്ഥാപിക്കുന്നവരായിരിക്കില്ല. AI നന്നായി ഉപയോഗിക്കുന്ന എഞ്ചിനീയർമാർ മാറ്റിസ്ഥാപിക്കുന്നവരായിരിക്കും.

അപ്പോൾ, AI എന്റെ ജോലി എടുക്കുമോ?

അതിന്റെ ഭാഗങ്ങൾ, അതെ. ആവർത്തിക്കുന്ന ഭാഗങ്ങൾ, കോപ്പി-പേസ്റ്റ് ഭാഗങ്ങൾ, "പതിനായിരം ലോഗ് വരികൾ വായിക്കുക" ഭാഗങ്ങൾ. സത്യം പറഞ്ഞാൽ, എനിക്ക് അവ മിസ്സ് ചെയ്യില്ല.

ജോലി തന്നെ? അഞ്ച് വർഷത്തിനുള്ളിൽ അത് വളരെ വ്യത്യസ്തമായി കാണപ്പെടുമെന്ന് ഞാൻ കരുതുന്നു. പക്ഷേ മുഴുവൻ സിസ്റ്റവും മനസ്സിലാക്കാനും, കഠിനമായ തീരുമാനങ്ങൾ എടുക്കാനും, "വേണ്ട, അത് ഡിപ്ലോയ് ചെയ്യരുത്" എന്ന് പറയാനും ഇപ്പോഴും ആരെങ്കിലും വേണം. ഇപ്പോൾ, അത് ഇപ്പോഴും ഞാനാണ്.

എന്റെ അഭിപ്രായം: AI നിർദ്ദേശിക്കുന്നു, മനുഷ്യർ തീരുമാനിക്കുന്നു. പ്രധാനമായിടത്ത് അത് അങ്ങനെ തന്നെ തുടരുന്നുവെന്ന് ഉറപ്പാക്കലാണ് എന്റെ ജോലി.

— ഡെസ്ലി