Rescale автоматизировала триаж тестовых сбоев с помощью ИИ-агента на базе AWS
AWS Machine Learning · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Компания Rescale внедрила ИИ-агента для автоматической классификации и маршрутизации ошибок в ночных интеграционных тестах, сократив время блокировки релизов на 20%. Проект был реализован за пять дней с использованием методологии AI-DLC и инструментов AWS, включая Amazon Bedrock и Strands SDK.
Снижение операционных издержек на рутинный анализ логов позволяет инженерным командам фокусироваться на разработке архитектуры, а не на отладке, ускоряя вывод новых функций в продакшн.
Инженерные команды крупных технологических компаний часто сталкиваются с хронической проблемой: ночные провалы автоматизированных тестов требуют ручного анализа логов, классификации причин и маршрутизации задач. В Rescale, платформе для цифрового инжиниринга в таких отраслях, как аэрокосмическая и автомобилестроение, этот процесс превратился в рутину, отвлекающую специалистов от ключевых задач. Поскольку успешное прохождение интеграционных тестов является обязательным условием для еженедельных релизов, нерешенные сбои приводили к многочасовым совещаниям между командами и задержкам в производстве.
Для решения этой задачи Rescale разработала ИИ-агента, способного автоматически анализировать ошибки. Система интегрирована в существующий конвейер CI/CD на базе Amazon EKS и Argo Workflows. Когда ночной прогон тестов выявляет сбои, агент запускается, обращается к модели Claude Opus 4.8 через Amazon Bedrock для определения корневой причины — будь то проблема инфраструктуры, ошибка в коде или нестабильный тест. Дополнительно система извлекает релевантные данные из базы знаний и журналов событий через протокол Model Context Protocol (MCP), формируя структурированный отчет с рекомендациями по исправлению.
Разработка велась по методологии AI-Driven Development Lifecycle (AI-DLC), которая предполагает совместную работу людей и ИИ. Вместо асинхронной передачи задач команда проводила сессии «Mob Elaboration» и «Mob Construction», где инженеры совместно с ИИ уточняли требования и принимали архитектурные решения в реальном времени. Такой подход позволил избежать допущений со стороны модели и обеспечить четкое понимание границ первой фазы проекта.
В ходе пятидневного воркшопа команда прошла путь от формулировки проблемы до работающего прототипа. Важным этапом стала корректировка архитектуры: изначально планировалось разместить агента на Amazon Bedrock AgentCore, но в итоге он был развернут в существующем кластере EKS для минимизации новых зависимостей. Также источник логов был заменен с стороннего сервиса на Amazon CloudWatch, что упростило цепочку вызовов. К четвертому дню полный пайплайн функционировал в тестовой среде.
После вывода в продакшн агент продемонстрировал измеримый эффект. Согласованность классификации с решениями людей выросла с 44% до 68%, а время, затрачиваемое на анализ сбоев перед деплоем, сократилось на 20%. Инженеры отмечают, что система не заменяет человека, но берет на себя рутинный первый этап диагностики, предоставляя готовые гипотезы и ссылки на файлы.
Опыт Rescale показывает, что структурированный подход к проектированию с участием ИИ ускоряет разработку сложных систем. Компания планирует масштабировать методологию AI-DLC на другие направления, включая управление каталогом симуляций HPC и отслеживание уязвимостей контейнеров. Это свидетельствует о переходе от разовых экспериментов с ИИ к системной интеграции агентных систем в стандартный жизненный цикл разработки ПО.