Efektívne nasadzovanie a aktualizácia systémov s využitim umelej inteligencie
Školitel
doc. Ing. Patrik Hrkút, PhD.
Študijný program
Aplikovaná informatika
Študijný odbor
Informatika
Detailnejší opis problému
V súčasnosti sa organizácie a vývojárske tímy snažia neustále zrýchľovať a automatizovať proces nasadzovania a aktualizácie softvérových komponentov, či už ide o webové/cloudové platformy, IoT zariadenia, mikroservisné architektúry alebo komplexné enterprise riešenia. Tradičné prístupy k nasadzovaniu (napr. manuálne release cykly, ručné schvaľovanie aktualizácií) narážajú na limity v podobe vysokých nákladov na údržbu, rizika ľudských chýb, nízkej flexibility a dlhých reakčných časov. Rovnako komplikovaná je i manažmentová stránka: organizácie neraz spravujú stovky či tisíce komponentov a potrebujú efektívne koordinovať prechody medzi rôznymi verziami, zároveň však minimalizovať výpadky a hrozby bezpečnostných incidentov. V posledných rokoch sa do popredia dostáva využitie umelej inteligencie (AI) a strojového učenia (ML) na optimalizáciu rôznych fáz tzv. "release pipeline" – od predikcie vhodného času nasadenia, cez automatizovanú detekciu rizík (anomaly detection), až po návrh optimálnej stratégie aktualizácie (rolling updates, canary release, blue-green deployment). Napriek mnohým existujúcim nástrojom a výskumom v oblasti kontinuálnej integrácie a nasadzovania (CI/CD) je potenciál AI riešení v tejto doméne stále len čiastočne využitý. Problém leží napríklad v tom, ako spojiť dáta o výkone systému, správaní používateľov či predpokladanej záťaži s rozhodovacími mechanizmami, ktoré určia, kedy a ako presne vydať novú verziu. Cieľom je priniesť metodiku a algoritmy, ktoré by umožnili nielen efektívne, ale aj spoľahlivé, bezpečné a predvídateľné nasadzovanie a aktualizovanie systémov v prostredí komplexných a dynamicky sa meniacich architektúr.
Predpokladaný vedecký prínos (algoritmy, metodológie, ...)
Algoritmy pre dynamické nasadenie – výskum využije AI a ML na adaptívne rozhodovanie o čase, spôsobe a rozsahu nasadenia novej verzie na základe historických dát (telemetria, logy), predpovedajúc minimálne vyťaženie systému. Smart rollback – AI deteguje anomálie v reálnom čase, spustí rollback alebo obmedzí nasadenie (canary release), čím zvýši spoľahlivosť. AI bezpečnostné protokoly – ML deteguje podozrivé zmeny v softvéri a hodnotí riziká, najmä pri IoT nasadeniach.
Odporučány postup vedeckého bádania
Analýza požiadaviek – preskúmať CI/CD metodiky s AI (canary releasing, A/B testovanie), identifikovať nedostatky a možné zlepšenia. Návrh architektúry – vytvoriť experimentálne prostredie (CI/CD pipeline) so simuláciou nasadenia, logovaním a zberom metrík. Vývoj AI/ML – predikovať optimálny čas nasadenia, využívať RL na adaptívne stratégie. Testovanie prototypu – overiť v testovacej infraštruktúre zlepšenie výpadkov a výkonu. Vyhodnotenie – porovnať s tradičnými prístupmi a navrhnúť zlepšenia.
Druh výskumu
aplikovaný výskum a experimentálny vývoj
Výskumná úloha, ktorej súčasťou bude riešená téma
APVV-24-0653 - Inovatívne riešenie pre dočasné elektrické a vodovodné prípojky v stavebníctve - podaný projekt
Doterajšie výsledky riešenia na školiacom pracovisku, vrátane odkazov na dostupné zdroje
The architecture of distributed database system in the VANET environment / Janech, Ján ; Kršák, Emil ; Toth, Štefan Concept of temporal data retrieval : undefined value management / Kvet, Michal ; Toth, Štefan ; Kršák, Emil Optimizing web application development: comparing frameworks, architectures, and components / Brnkaľák, Boris ; Janech, Ján ; Hrkút, Patrik Abstract syntax tree based source code antiplagiarism system for large projects set / Ďuračík, Michal ; Hrkút, Patrik ; Kršák, Emil ; Toth, Štefan Inteligentný dopravný systém ako Integrovaný systém / Matiaško, Karol ; Kršák, Emil ; Hrkút, Patrik ; Zábovský, Michal
V prípade otázok sa obráťte na vedúceho témy:
Patrik.Hrkut@fri.uniza.sk