آموزش Generative AI برای DevOps

آنچه یاد خواهید گرفت:

• اعمال Generative AI در سراسر چرخه عمر DevOps برای کدنویسی، پایپ‌لاین‌ها، زیرساخت، تست، مدیریت انتشار و پاسخ‌گویی به حوادث
• استفاده از Copilot برای ساده‌سازی گردش‌کارهای CI/CD
• خودکارسازی تسک های تکراری DevOps با Copilot
• بهبود شیوه‌های زیرساخت به‌عنوان کد (IaC)
• عیب‌یابی و نظارت با کمک هوش مصنوعی
• توسعه عامل های هوش مصنوعی متناسب با DevOps
• پیاده‌سازی عامل های خودمختار هوش مصنوعی
• ادغام استدلال LLM در گردش‌کارهای GitHub
• درک تفاوت میان DevOps مبتنی بر کمک هوش مصنوعی و DevOps خودمختار هوش مصنوعی، از جمله موارد استفاده امن و ناامن
• استفاده از هوش مصنوعی برای ChatOps، یادداشت‌های انتشار، استراتژی تست، تحلیل ریشه‌ای علت و گردش‌کارهای مستندسازی
• افزودن مشاهده‌پذیری، ارزیابی و حلقه‌های بازخورد به پایپ‌لاین‌ها و عامل های مبتنی بر هوش مصنوعی
• بهبود نتایج DevOps با مهندسی پرامپت و مهندسی زمینه بهتر برای تسک های عملیاتی
• طراحی گام‌های گردش‌کار قطعی و امنِ مبتنی بر هوش مصنوعی برای GitHub Actions و خودکارسازی پایپ‌لاین
• ساخت و گسترش یک عامل حداقلی DevOps، افزودن حافظه با دقت، و ادغام ابزارهای مبتنی بر MCP در گردش‌کارها
• ایجاد guardrails سازمانی برای امنیت، انطباق، پاسخ‌گویی و استفاده مسئولانه از هوش مصنوعی در تیم‌های DevOps

پیش‌نیازهای دوره

• اصول Git و GitHub
• کاربرد پایه خط فرمان
• یک حساب GitHub (شخصی یا سازمانی)
• مفاهیم اولیه ابر و زیرساخت
• مفاهیم اصلی DevOps مانند CI/CD ،pull requestها، کنترل سورس، پایپ‌لاین‌ها و گردش‌کارهای انتشار
• تجربه توسعه در سطح متوسط با #C و NET. مفید است، زیرا مثال‌های دوره بر پایه NET. استاندارد شده‌اند.
• آشنایی با Azure و GitHub Actions به شما کمک می‌کند سریع‌تر از بخش‌های نمایشی عبور کنید.

توضیحات دوره

Generative AI در حال تغییر دادن شیوه ساخت، استقرار، ایمن‌سازی و بهره‌برداری نرم‌افزار توسط تیم‌های مدرن DevOps است. این دوره به شما نشان می‌دهد که چگونه Generative AI را در کارهای واقعی DevOps با استفاده از مفاهیم Azure DevOps، GitHub ،GitHub Actions ،Azure OpenAI ،Bicep و NET. اعمال کنید.

در ابتدا با اصول Generative AI برای DevOps شروع می‌کنید؛ از جمله اینکه هوش مصنوعی در کدام بخش‌های چرخه عمر DevOps ارزش ایجاد می‌کند، تفاوت میان گردش‌کارهای مبتنی بر کمک هوش مصنوعی و گردش‌کارهای خودمختار هوش مصنوعی چیست، و تیم‌ها باید چه ریسک‌های عملی را؛ مانند توهم، drift و زیاده‌روی مدیریت کنند. سپس دوره وارد سناریوهای عملی و نزدیک به محیط، مانند زیرساخت به‌عنوان کدِ مبتنی بر هوش مصنوعی، نوشتن پایپ‌لاین، تولید یادداشت‌های انتشار، بهبود استراتژی تست، پشتیبانی از پاسخ‌گویی به حوادث و ادغام با ChatOps تولید می‌شود.

همچنین یاد می‌گیرید چگونه هوش مصنوعی را به‌صورت مسئولانه در سیستم‌های CI/CD ادغام کنید؛ با طراحی گام‌های قطعی در گردش‌کار، هماهنگ‌سازی jobهای هوش مصنوعی در GitHub Actions، بهبود کیفیت زمینه، مدیریت هزینه و کارایی، و افزودن مشاهده‌پذیری و حلقه‌های بازخورد. سپس دوره به موضوعات سازمانی مانند استراتژی ابزارهای هوش مصنوعی، guardrails، ممیزی، پاسخ‌گویی، ROI و برنامه‌ریزی برای پذیرش گسترش پیدا می‌کند.

در نهایت، هوش مصنوعی عاملی برای DevOps را بررسی می‌کنید؛ از جمله اینکه چه چیزی یک عامل هوش مصنوعی را متفاوت می‌کند، الگوهای عاملی در کجا در CI/CD جای می‌گیرند، چگونه یک عامل حداقلی DevOps بسازید، چگونه حافظه را با ایمنی اضافه کنید، چگونه دسترسی به ابزارها را با MCP استاندارد کنید، چگونه گردش‌کارها را با ابزارهای GitHub گسترش دهید، و چگونه عامل ها را در عمل مشاهده و ارزیابی کنید.

این دوره برای متخصصانی طراحی شده است که به‌دنبال مهارت‌های عملی و مرتبط با محیط سازمانی هستند، نه هیاهو و تبلیغات. یاد می‌گیرید هوش مصنوعی واقعاً در کدام بخش‌ها نتایج DevOps را بهتر می‌کند، کجا باید محدود شود، و چگونه آن را به شکلی مفید، قابل‌اندازه‌گیری و مسئولانه اعمال کنید.

این دوره برای چه کسانی مناسب است؟

• مهندسان DevOps
• توسعه‌دهندگانی که به DevOps منتقل می‌شوند.
• سرپرستان تیم و مدیران حوزه فناوری
• توسعه‌دهندگان ارشد که از CI/CD و خودکارسازی ابری پشتیبانی می‌کنند.
• مهندسان قابلیت اطمینان سایت (SRE)
• مدیران مهندسی و رهبران فنی