AWS hoy Anunciado ese CodeGuru, un conjunto de herramientas que utilizan el aprendizaje automático para revisar automáticamente el código en busca de errores y sugerir posibles optimizaciones, ahora está disponible para el público en general. La herramienta se lanzó en versión preliminar en AWS re:Invent en diciembre pasado.
CodeGuru consta de dos herramientas, Reviewer y Profiler, y esos nombres describen exactamente lo que hacen. Para crear Reviewer, el equipo de AWS realmente entrenó su algoritmo con la ayuda de código de más de 10 000 proyectos de código abierto en GitHub, así como revisiones de la propia base de código interna de Amazon.
“Incluso para una organización grande como Amazon, es un desafío tener suficientes desarrolladores experimentados con suficiente tiempo libre para realizar revisiones de código, dada la cantidad de código que se escribe todos los días”, señala la compañía en el anuncio de hoy. “E incluso los revisores más experimentados pasan por alto los problemas antes de que afecten a las aplicaciones orientadas al cliente, lo que genera errores y problemas de rendimiento”.
Para usar CodeGuru, los desarrolladores continúan enviando su código al repositorio de su elección, sin importar si se trata de GitHub, Bitbucket Cloud, CodeCommit de AWS u otro servicio. Luego, CodeGuru Reviewer analiza ese código, intenta encontrar errores y, si lo hace, también ofrece soluciones potenciales. Todo esto se hace dentro del contexto del repositorio de código, por lo que CodeGuru creará una solicitud de extracción de GitHub, por ejemplo, y agregará un comentario a esa solicitud de extracción con más información sobre el error y las posibles correcciones.
Para entrenar el modelo de aprendizaje automático, los usuarios también pueden proporcionar a CodeGuru algunos comentarios básicos, aunque en su mayoría estamos hablando de “aprobación” y “aprobación” aquí.
El generador de perfiles de aplicaciones de CodeGuru tiene una misión algo diferente. Su objetivo es ayudar a los desarrolladores a descubrir dónde podría haber algunas ineficiencias en su código e identificar las líneas de código más caras. Esto incluye soporte para plataformas sin servidor como AWS Lambda y Fargate.
Una característica que agregó el equipo desde que anunció CodeGuru por primera vez es que Profiler ahora adjunta una cantidad estimada en dólares a las líneas de código no optimizado.
“Nuestros clientes desarrollan y ejecutan muchas aplicaciones que incluyen millones y millones de líneas de código. Garantizar la calidad y la eficiencia de ese código es increíblemente importante, ya que los errores y las ineficiencias, incluso en unas pocas líneas de código, pueden ser muy costosos. Hoy en día, los métodos para identificar problemas de calidad del código requieren mucho tiempo, son manuales y propensos a errores, especialmente a escala”, dijo Swami Sivasubramanian, vicepresidente de Amazon Machine Learning, en el anuncio de hoy. “CodeGuru combina las décadas de experiencia de Amazon en el desarrollo y la implementación de aplicaciones a escala con una considerable experiencia en aprendizaje automático para brindar a los clientes un servicio que mejora la calidad del software, deleita a sus clientes con un mejor rendimiento de las aplicaciones y elimina las líneas de código más costosas”.
AWS dice que varias empresas comenzaron a usar CodeGuru durante el período de vista previa. Estos incluyen los gustos de Atlassian, EagleDream y DevFactory.
“Si bien las revisiones de código de nuestro equipo de desarrollo hacen un gran trabajo al evitar que los errores lleguen a producción, no siempre es posible predecir cómo se comportarán los sistemas bajo estrés o administrar formas de datos complejas, especialmente porque tenemos múltiples implementaciones por día”, dijo Zak Islam. , jefe de Ingeniería, Equipos de tecnología, en Atlassian. “Cuando detectamos anomalías en la producción, hemos podido reducir el tiempo de investigación de días a horas y, a veces, minutos gracias a la función de creación de perfiles continuos de Amazon CodeGuru. Nuestros desarrolladores ahora enfocan más su energía en ofrecer capacidades diferenciadas y menos tiempo investigando problemas en nuestro entorno de producción”.
Créditos de imagen: AWS
Source link