К содержанию
hegai.media
Новости

Atlassian показала на Unleash, как переводит AI-агентов из демо в рабочие корпоративные системы

Atlassian показала на Unleash, как переводит AI-агентов из демо в рабочие корпоративные системы

На закрытом мероприятии Unleash компания Atlassian говорила не о демонстрации возможностей AI, а о требованиях к его работе в корпоративной среде. Обсуждение было сосредоточено на том, как сделать AI-системы предсказуемыми и пригодными для постоянного использования: с контролем прав доступа, проверяемыми действиями, безопасностью и возможностью восстановления после ошибок. Как пишет YourStory, отдельное внимание уделили инфраструктуре вокруг AI-моделей, включая durable workflows, системы анализа инцидентов и инструменты безопасности.

Картик Чандрасекаран, Senior Software Engineer в Atlassian, рассказал о системе для обработки нестандартных запросов на отчёты. Раньше инженерам приходилось вручную искать API и структуру баз данных, писать и запускать код, а затем дорабатывать его по обратной связи клиентов. По оценке компании, на это уходило около 500 тыс. $ инженерного времени в год. Теперь инженер описывает задачу на естественном языке, после чего агент генерирует исполняемый код. Затем он проходит проверку и запускается через durable workflow engine.

В Atlassian объяснили, что ключевым решением стало не расширение возможностей модели, а ограничение среды, в которой она работает. Вместо широкого доступа к API команда использовала набор узкоспециализированных инструментов в контролируемом окружении. Дополнительно были внедрены автоматические проверки, снижающие вероятность ошибок со стороны модели.

На Unleash также обсуждали применение AI для расследования сбоев в ПО. Sathish Kumar, Senior Principal Engineer в Atlassian, описал подход AI SRE. В этой схеме AI анализирует изменения кода, feature flags, метрики, логи, зависимости сервисов и исторические данные, чтобы быстрее формировать и проверять гипотезы о причинах инцидентов. В Atlassian подчеркнули: задача системы заключается не в замене инженеров, а в ускорении поиска проблемы.

Ключевые факты

  • Atlassian оценила прежний процесс подготовки нестандартных отчётов примерно в 500 тыс. $ инженерного времени в год

  • Система для генерации отчётов создаёт исполняемый код на основе запроса на естественном языке и проверяет его перед запуском

  • Подход AI SRE использует данные о коде, feature flags, логах, метриках и зависимостях сервисов для анализа инцидентов

  • В Atlassian более 6 тыс. инженеров работают с более чем 1 тыс. микросервисов

Вопросы и ответы

Что именно Atlassian изменила в работе AI-агентов, чтобы их можно было использовать в продакшене, а не только в демо?

Компания отказалась от широкого доступа моделей к API и перевела агентов в контролируемую среду с узкоспециализированными инструментами, автоматическими проверками и durable workflow engine. Это нужно, чтобы действия AI были проверяемыми, с контролем прав доступа и возможностью восстановления после ошибок.

Какой практический эффект Atlassian получила от AI-системы для нестандартных отчётов?

Раньше инженеры вручную искали API и структуру БД, писали код и дорабатывали его по фидбеку клиентов, что компания оценила примерно в 500 тыс. $ инженерного времени в год. Теперь инженер формулирует запрос на естественном языке, а агент сам генерирует и проверяет исполняемый код перед запуском.

Для какого масштаба инфраструктуры Atlassian строит AI SRE и что система анализирует при сбоях?

Подход рассчитан на среду, где более 6 тыс. инженеров работают с более чем 1 тыс. микросервисов. AI SRE анализирует изменения кода, feature flags, логи, метрики, зависимости сервисов и исторические данные, чтобы быстрее проверять гипотезы о причинах инцидентов.

Контекст по теме