آزمایش با هوش مصنوعی برای مدیریت ابری | دانش مرکز داده

این روزها صحبت های زیادی در مورد استفاده از هوش مصنوعی برای تسریع توسعه نرم افزار از طریق ابزارهایی مانند GitHub Copilot و Amazon CodeWhisperer وجود دارد.

اما در مورد مدیریت ابری چطور؟ آیا هوش مصنوعی همچنین می تواند به مدیران ابر کمک کند تا کارآمدتر کار کنند؟

برای فهمیدن این موضوع، پلتفرم OpenAI – شرکت هوش مصنوعی که نرم‌افزار GitHub Copilot را نیز تامین می‌کند – را مورد آزمایش قرار دادم. با استفاده از زمین بازی OpenAIدر مدل text-davinci-003، من چندین سوال مطرح کردم که ممکن است یک مدیر ابری نیاز به پاسخ به آنها داشته باشد.

گزارش رایگان ما را دانلود کنید: کدنویسی به کمک هوش مصنوعی: آنچه توسعه دهندگان نرم افزار باید بدانند

در اینجا نتایج به‌خوبی برای خوانایی و سبک ویرایش شده‌اند، همراه با برخی تحلیل‌ها از آنچه که مدل‌های هوش مصنوعی OpenAI در مدیریت ابری به خوبی – و نه چندان خوب – انجام می‌دهند.

طراحی معماری ابری

من با پرسیدن یکی از اولین سوالاتی که هر کسی هنگام برنامه ریزی استراتژی ابری می پرسد از OpenAI شروع کردم: “آیا باید از AWS، Azure یا GCP استفاده کنم؟”

پاسخ داد:

پاسخ به این سوال به نیازهای خاص پروژه شما بستگی دارد. هر سه ارائه دهنده ابر خدمات، ویژگی ها و مدل های قیمت گذاری متفاوتی را ارائه می دهند. هر پلتفرم نقاط قوت و ضعف خود را دارد، بنابراین مهم است که نیازهای خاص پروژه خود را در نظر بگیرید و گزینه های مختلف را قبل از تصمیم گیری ارزیابی کنید.

این یک پاسخ منصفانه است، اما خیلی دقیق یا مشخص نیست. بنابراین من یک سوال متمرکزتر پرسیدم: “مزایای اصلی AWS در مقایسه با Azure و GCP چیست؟”

OpenAI پاسخ داد:

1. هزینه: AWS اغلب مقرون به صرفه ترین راه حل است که گسترده ترین گزینه های قیمت گذاری و تخفیف را برای مشاغل در هر اندازه ارائه می دهد.

2. امنیت و انطباق: AWS جامع ترین پیشنهادات امنیتی و انطباق را در تمام ارائه دهندگان اصلی ابر دارد.

3. انعطاف پذیری: AWS بیشترین انعطاف را در هنگام استقرار و مدیریت برنامه ها به شما می دهد. شما می توانید از میان طیف وسیعی از خدمات انتخاب کنید و در صورت نیاز آنها را ترکیب و مطابقت دهید.

4. پشتیبانی: AWS جامع ترین گزینه های پشتیبانی مشتری، از جمله پشتیبانی 24 ساعته و یک شبکه جهانی از معماران و شرکای راه حل های معتبر را ارائه می دهد.

5. سرعت استقرار: AWS می تواند به شما کمک کند تا برنامه ها و خدمات را به سرعت گسترش دهید و به شما امکان می دهد به جای زیرساخت، بر نوآوری تمرکز کنید.

6. مقیاس پذیری: با AWS، می توانید به سرعت و به راحتی برنامه ها و خدمات خود را برای رفع نیازهای کسب و کار خود مقیاس کنید.

بیشتر این پاسخ‌ها یا ذهنی هستند یا خیلی کلی هستند که نمی‌توانند درست یا غلط بودن را ثابت کنند. آیا AWS “مقرون به صرفه ترین” ابر است؟ گاهی اوقات، اما بستگی به این دارد که برای چه چیزی از آن استفاده می کنید. آیا AWS “جامع ترین پیشنهادات امنیتی و انطباق” را دارد؟ شاید، اما این بسیار قابل بحث است.

مربوط: آیا هوش مصنوعی می تواند به خودکارسازی عملیات فناوری اطلاعات کمک کند؟

جالب اینجاست که وقتی از OpenAI پرسیدم “مزایای اصلی Azure در مقایسه با AWS و GCP چیست؟” وقتی از من پرسیدم که مزایای AWS چیست، پاسخ بسیار مشابهی داد، به جز در این مورد، ویژگی های برجسته را به Azure نسبت داد:

1. هزینه: Azure راه حل مقرون به صرفه تری نسبت به AWS و GCP برای بسیاری از خدمات، از جمله Infrastructure as a Service (IaaS) و Platform as a Service (PaaS) ارائه می دهد.

2. عملکرد: Azure عملکرد قابل اعتمادتری نسبت به AWS و GCP ارائه می‌کند، با در دسترس بودن بهتر و زمان بارگذاری سریع‌تر برای برنامه‌های میزبانی شده در ابر خود.

3. خدمات مدیریت شده: Azure خدمات مدیریت شده جامعی را ارائه می دهد که به کسب و کارها اجازه می دهد به جای مدیریت زیرساخت ها بر فعالیت های اصلی تمرکز کنند. این شامل توانایی استقرار و مدیریت برنامه ها، پایگاه های داده، ذخیره سازی و شبکه می شود.

4. انعطاف پذیری: Azure طیف گسترده ای از خدمات را ارائه می دهد که به کسب و کارها اجازه می دهد محیط ابری خود را برای رفع نیازهای منحصر به فرد خود سفارشی کنند.

5. امنیت: Azure یک مدل امنیتی در سطح جهانی از جمله رمزگذاری، هویت و مدیریت دسترسی و حفاظت از تهدید ارائه می‌کند.

6. مقیاس پذیری: Azure زیرساخت های مقیاس پذیر را ارائه می دهد که به کسب و کارها اجازه می دهد منابع را در صورت نیاز به سرعت اضافه کنند.

نکته اصلی اینجاست که به نظر نمی‌رسد OpenAI تفاوت‌های عمده بین AWS، Azure و GCP را با ویژگی‌های بسیار زیاد درک کند. وقتی از آن می‌خواهید پلتفرم‌های ابری را مقایسه کنید، دقیقاً چیزهای اشتباهی را بیان نمی‌کند، اما پاسخ‌هایی که خیلی مفید هستند نیز نمی‌دهد.

آشنایی با خدمات ابری

به نظر می رسد OpenAI در مقایسه با پلتفرم های ابری، زمانی که از آن دستورالعمل های مربوط به سرویس های ابری خاص را بخواهید، کمی بهتر عمل می کند.

به عنوان مثال، وقتی پرسیدم، “بهترین نوع نمونه EC2 برای یک برنامه وب ساده چیست؟” جواب داد:

بهترین نوع نمونه EC2 برای یک برنامه وب ساده به نیازهای خاص برنامه بستگی دارد، اما یک نمونه با هدف عمومی مانند Amazon EC2 t2.micro اغلب نقطه شروع خوبی است. نمونه t2.micro مقرون به صرفه است و منابع کافی برای رسیدگی به حجم کاری کوچک را ارائه می دهد.

این یک پاسخ کاملاً معتبر است که شامل ویژگی های کافی برای ارزشمند بودن برای یک مدیر ابر است، در حالی که از ارائه هرگونه توصیه ذهنی یا بیش از حد عمومی اجتناب می کند.

از طرف دیگر، وقتی از OpenAI پرسیدم که آیا بهتر است از EC2 یا Lambda برای میزبانی یک برنامه وب استفاده شود، گفت:

پاسخ به این سوال به نیازها و ترجیحات فردی شما بستگی دارد. هر دو لامبدا و EC2/EC3 مزایا و معایب خاص خود را دارند. Lambda یک سرویس محاسباتی بدون سرور است که به شما امکان می دهد بدون مدیریت زیرساخت کد را اجرا کنید. برای برنامه هایی که به زمان پاسخ سریع و مقیاس پذیری بالا نیاز دارند، بسیار مناسب است، زیرا می تواند بدون هیچ تلاش اضافی، پیک های ناگهانی تقاضا را مدیریت کند. با این حال، می تواند گران تر از EC2/EC3 باشد و ممکن است برای کارهای پیچیده تر مناسب نباشد.

بیشتر آن درست است. اما مشکل این است که چیزی به نام EC3 در زمینه رایانش ابری وجود ندارد. به نظر می رسد این اصطلاحی است که OpenAI به طور کامل ساخته شده است – اگرچه اگر با آن آشنا نبودید نام سرویس ابری AWS، ممکن است ندانید که این اصطلاح ساخته شده است زیرا پاسخ از بسیاری جهات دیگر معقول به نظر می رسد.

قوانین امنیت ابری

OpenAI ممکن است اصول اولیه نحوه استفاده از ابزارهایی مانند چارچوب های IAM را برای ایمن سازی بارهای کاری ابری درک کند، اما عمق آن محدود است.

وقتی از آن خواستم “یک خط مشی IAM بنویسد تا یک سطل S3 ایمن شود” این را به من داد:


{
            "Version": "2012-10-17",
            "Statement": [
            {
            "Effect": "Allow",
            "Action": "s3:ListBucket",
            "Resource": "arn:aws:s3:::example-bucket"
            },
            {
            "Effect": "Allow",
            "Action": [
                        "s3:PutObject",
                        "s3:GetObject",
                        "s3:DeleteObject"
            ],
            "Resource": "arn:aws:s3:::example-bucket/*"
            }
            ]
}

به نظر می رسد این خط مشی معتبر است، اما اینکه آیا این یک خط مشی IAM بسیار ایمن است یا خیر قابل بحث است. دسترسی به داده های موجود در سطل را به روشی دقیق قفل نمی کند.

گفته می شود، OpenAI درک نسبتا مناسبی از بهترین شیوه های امنیتی IAM دارد. وقتی پرسیدم “شایع ترین اشتباهات پیکربندی در سیاست های IAM چیست؟” آن گفت:

1. عدم استفاده از نقش های IAM برای دسترسی بین حساب
2. عدم استفاده از گروه های IAM برای تخصیص مجوزها
3. عدم استفاده از سیاست های IAM برای محدود کردن دسترسی به منابع خاص
4. عدم استفاده از حداقل امتیازات هنگام تخصیص خط مشی های IAM
5. اجازه دسترسی نامحدود به کاربران IAM
6. عدم استفاده از شرایط IAM برای محدود کردن دسترسی
7. عدم استفاده از AWS Organizations برای مدیریت متمرکز حساب
8. عدم استفاده از MFA برای کاربران ممتاز IAM
9. عدم اجرای سیاست های رمز عبور برای کاربران IAM
10. حسابرسی منظم خط مشی ها و کاربران IAM

در اینجا جای بحث زیادی وجود دارد، اما در کل این یک پاسخ معتبر و نسبتاً مشخص است.


آیا هوش مصنوعی می تواند به مدیریت ابر کمک کند؟

بنابراین، آیا مدل های هوش مصنوعی مانند مدل های OpenAI می توانند به مدیران ابر کمک کنند؟

پاسخ «بله، اما با محدودیت» است. هوش مصنوعی می‌تواند توصیه‌های اساسی درباره نحوه پیکربندی بارهای کاری ابری یا درک تفاوت‌های بین پلتفرم‌ها و سرویس‌های ابری ارائه دهد. اما گاهی با توجه به اینکه توصیه ها قابل بحث است، توصیه های خود را با اطمینان بیشتر از آنچه که باید بیان می کند. همچنین گاهی اوقات چیزهایی می گوید که کاملا جعلی هستند، مانند پاسخ “EC2/EC3” از بالا.

به همین دلیل، سخت است که بگوییم هوش مصنوعی در وضعیت فعلی خود به همان اندازه که برای کمک به توسعه نرم افزار مفید است، برای کمک به وظایف مدیریت ابری نیز مفید است. ابزارهای کدنویسی به کمک هوش مصنوعی به طرز شگفت انگیزی خوب کار می کنند. اما در حال حاضر، ابزارهای مدیریت ابری با کمک هوش مصنوعی حتی یک چیز نیستند، و اگر می‌خواهند یکی شوند، مدل‌های هوش مصنوعی مقداری یادگیری دارند.

درباره نویسنده

هد شات کریستوفر توزیکریستوفر توزی یک تحلیلگر فناوری با تخصص موضوعی در رایانش ابری، توسعه اپلیکیشن، نرم افزار منبع باز، مجازی سازی، کانتینرها و موارد دیگر است. او همچنین در یکی از دانشگاه های بزرگ در منطقه آلبانی، نیویورک، سخنرانی می کند. کتاب او با عنوان “برای سرگرمی و سود: تاریخچه ای از انقلاب نرم افزار آزاد و منبع باز” توسط انتشارات MIT منتشر شد.