DevOps エンジニア・プラットフォームエンジニア・SRE

Googleが他人に売り込んでいるのではなく、自分たちの運用について書いている。筆者はDistinguished Software Engineerが1人とDistinguished Site Reliability Engineerが1人で、掲載は自社ブログである。過去形または現在形で書かれている部分だけが記録に値する:SREチームは、インシデント中の使われ方をもとにプレイブックを監視・改善するエージェントを作っており、インシデントから新しいプレイブックを生成することもできる。アラートのエージェントは、自律的なハンドラに渡す前にアラートをグループ化し、前処理し、文脈を付け加える。別のエージェント群は、インシデント中に使われるチャット空間・録画・追跡文書をまとめ、SRE間の引き継ぎ文書を作り、ポストモーテムの下書きを書き、社内外のインシデント連絡を管理する。さらにインシデントを調査するために作られたエージェントがあり、原文の言葉では、場合によっては自律的に問題を緩和する。そしてAI Insights —— 過去のインシデントを見直し、そこから取り出したものをこれらのエージェントに戻す仕組みである。記事の残りは計画であり、記録しない。限界は三つあり、一つ目が最も大きい。数字が一つもない:どれだけの割合のインシデントに触れているのか、いくつのエージェントが動いているのか、前後でどう変わったのか、当番表に何人いるのか、いずれも書かれていない。二つ目、利害は直接的で、当事者自身が書いているという形式によって消えるものではない —— 下に名前の挙がる部品はすべてGoogleの製品である(Gemini、Agent Development Kit、Gemini Enterprise Agent Platform、GoogleのAPI基盤上で動くMCP)。つまりこの記事は、発行者が売っているものの参照アーキテクチャでもある。三つ目、これは一つの運営者であり、しかも特殊な運営者だ:自前の信頼性の規律を20年続けてきた組織は、4人でポケベルを回している現場の代わりにはならない。これが道具の話ではなくこの業務の話である証拠になるのは、エージェントが座っている位置だ:午前3時の決定の周りにある作業 —— 文脈を集める、引き継ぐ、今どうなっているかを伝える、あとで書き残す —— が動いた部分であり、記事は、リスクの高いサービスについてはエージェント的な進め方が必ずしも人を外すことを意味しない、と書いている。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

1 社、マイアミの 1 台のエッジルーター、25 分間(20:25–20:50 UTC)。要点は自動化が何を書いたかである:Cloudflare のポリシー自動化基盤を通じて投入された変更がプレフィックスリストの参照を削除し、残ったポリシー条項が過度に緩くなった結果、内部型のすべてのプレフィックスを外部へ広告可能と判定した。切り戻しは人が行い、そのルーターでの自動化は停止された。「制約または撤回」ではなく「実際の導入」として記録するのは、導入が抑制されていないためである:Cloudflare 自身が挙げた対策は CI/CD パイプラインへの自動ルーティングポリシー評価の追加であり、機械が機械を検査するものであって、人による関門ではない。これが確立するのは、ある大規模ネットワーク事業者において、技術者が本番環境で設定を生成して適用する自動化基盤を通じてルーティングポリシーの変更を行っているという事実であり、その事業者の設定のうちどれだけが機械によって書かれているかは示さない。1 社の 1 件の事故は業界の尺度ではない。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

実務者への調査なので、90%は測られた利用ではなく自己申告の利用である。そして併記されている「80%が生産性が上がったと考えている」は信念であり、信念として読まなければならない——このサイトは、経験のある開発者が19%遅くなりながら20%速いと信じていた無作為化試験を持っており、つまり自分の速さについての信念は、速さについての証拠ではない。自分の成績についての自己申告ではないのは、研究者が回答者を横断して計算した相関のほうであり、そしてそれが役に立つ部分である——導入は、処理量と製品の成績とは正の関係にあり、配信の安定性とは負の関係にある。著者が挙げている仕組みは具体的である——強固な自動テスト、成熟した版の管理、速い反応の輪がなければ、変更の量が増えることは不安定さを生む。そして疎に結合された構成のチームは得をし、密に結合されたチームはほとんど、あるいはまったく得をしない。これを公表しているのは Google Cloud であり、そして自ら尋ねている道具を売っている。

ある道具が実際の仕事のために大規模に使われていることが測定されており、しかも使うと決めたのが雇用主ではなく働き手である場合。capability の記録より重い——仕事が実演ではなく本物だからである——そして deployment の記録より軽い。どの雇用主もそれを本番に置いておらず、求めてもおらず、その周りに工程も作っていないからである。重みは `cautious` である——`automating` とは、機械がその業務をできることと、採用の兆しがあることの両方を意味し、これは採用の兆しである——しかし利用は試験的でありうるし、測定の多くは利害のある側から来るので、一件では決して足りず、独立した二件で足りる。誰が数えているかに注意すること。ベンダーの計測データはこれを直に見るが、その道具を売っているので、そうした記録は適用範囲にその利害を明記する。統計機関が企業に「働き手は業務でAIを使っているか」を尋ねる場合、同じ経路を何の利害もなく見ており、それが存在するならそちらが良い出典である。

多くのサービスにまたがる数時間の障害についての、クラウド提供者自身の障害報告である。根本にあった変更には適切なエラー処理がなく、フィーチャーフラグで保護されてもいなかったこと。サービスにランダム化された指数バックオフがなく、そのためある地域では復旧に最大でおよそ2時間40分かかったこと。そして対策として、機能が隔離されてフェイルオープンになるようサービスのアーキテクチャをモジュール化すること、データの複製を検証の時間をとりながら段階的に伝播させることを挙げている——と述べている。一つの会社による自社の障害の説明である。失敗した部分は通常のコードであって、AIではない。

失敗、撤回、規制、あるいは費用が導入を抑えている。判断を下げる、あるいはその不確かさを広げることがある。

世界中の Windows 機を停止させた2024年7月の更新についての、セキュリティベンダー自身の根本原因分析である。自動のコンテンツ検証器に論理エラーがあったこと。自動テストのために12件のテストケースの固定の組が選ばれていたこと。そして各テンプレートインスタンスは段階的な展開で配備されるべきであり、さらなる検証のために独立した外部のソフトウェアセキュリティベンダー二社を起用したこと——を見出している。一つの会社による自社の失敗の説明である。失敗した自動化は検証器であって、AIではない。

失敗、撤回、規制、あるいは費用が導入を抑えている。判断を下げる、あるいはその不確かさを広げることがある。

米国の一つの連邦機関。一般調達局が公表し、OPMの副CIOを連絡先とする事例研究によると、OPMのAzureクラウド支出は2021年以降2,000%以上増加し、それを受けてクラウドコストの監視と管理を専門とするチームを設けた。異常検知では、クラウド支出の予期しない増加を検出・特定し、対処するためのダッシュボードを整備している。判断の区分ごとに意思決定マトリクスを用い、チームはリザーブドインスタンスの購入確約、適正化、予算管理、予測といった判断を追跡している。検知にAIを使っているのか単純なしきい値なのかは述べていない。進捗は2024年3月時点のものとして報告されており、日付はその月末とした。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

委託された分野の調査であって測定ではない。ここに記録しているのは、この基盤の大半とは逆の方向を指しているからである。独立した支援のエンジニアリングが縮むと見込んでいるのと同じ文書が、その仕事がこの職に落ちると見込んでいる——DevOps の職能がサービス水準の合意の管理と新しい系の開発を引き取ること、開発の職能が系の性能の管理と最適化を引き取り、開発と運用を一つにしてより総合的な支援を提供すること、そして自動化と統制のエンジニアを、影響の小さい職であり、影響の大きいインフラのエンジニアが移れる職として挙げていること。ただし、その職の需要が伸びているとは述べていない。また、押し出されると見込まれている支援のエンジニアにとって、容易または中程度の移動先として DevOps エンジニアを名指ししている。そのどれも、誰かが採用された証拠でも、人員が増えた証拠でも、その移行が起きた証拠でもない——一つの機関の見込みであり、生成AIが一般に届く前に公表され、対象はシンガポールのみで、雇用のデータではなく関係者への聞き取りから組まれている。それでも示しているのは、同じ報告書のほかの場所にある「押し出される」という発見が、仕事が消えるという主張ではないということである。

立場のある名指しの人物が、ある日付に、帰属のつく言明として何かを公けに予測した。誰がいつ何を言ったのかが確かめられるまま残るように記録するのであり、そして業務の判断を決して動かさない。予測は観測ではないからである。その価値は後から来る——この記録は、その職業についての証拠と同じページの上に載るので、予測を読む人は、そのあと何が起きたかの記録を隣で読むことになる。それが決算である。この site は、ある予測が当たったかどうかについて何の判定も公表しない。

かつて若手を雇っていた段——設定を書き、つなぐこと——こそ、最もはっきりした仕組みが向けられている段である。成否が機械的に確かめられるコードだからである。そこで初心者に残るのは呼び出し当番であり、それは最も難しく、本来なら稼いでから就くはずの部分である。当番表に載るずっと前から、事案の振り返りに入れてくれと押すこと。

あなたの効き目は設計の判断と事案の一声にあり、そのどちらも一週間のなかの小さな切れ端である。危ういのはそれが自動化されることではなく、その周りの時間が薄くなり、やがて一人のエンジニアが、誰一人頭のなかに保てない数のサービスを覆うことである。ホールスタッフが接客係一人あたりの客数を見るのと同じように、エンジニア一人あたりのサービス数を見ること。

留まって強くする

配線から離れ、設計のほうへ動く

設計の判断には自動の審判がなく、だからこそどの道具もその輪を閉じられない——そしてそれは、この職のなかで積み上がっていく部分である。

職の形を組み替える

他人がつくったものの運用可能性を引き受ける

設定がより多く生成されることは、誰も責任を負っていない系が増えることであり、そして本番で何を動かしてよいかの基準を、誰かが保たなければならない。

設定の半分は動いているし、しかも速い。基盤のコードは、きれいに適用されるかエラーになるかのどちらかだからである——成否が機械的に確かめられることこそ、モデルが監督なしに再試行できるようにする。呼び出し当番は動いていない。事案とは定義からして誰も想定していなかった故障であり、その一声は、正しい答えについてではなく受け入れられる損害についてだからである。ありそうな形は消滅ではなく薄まりである——より少ないエンジニアがより多くのサービスを覆い、それは業務をどれも残したまま当番表を悪くする。

日付は出さない。自分で出せる二つの数字が、どんな予測よりも多くを語る——一週間のどれだけが、適用すれば成功するかエラーになるかのどちらかである仕事に使われているか。そして自分の当番表で、エンジニア一人が何個のサービスに責任を負っているか。一つ目が業務としての晒され具合であり、二つ目が、この職の人に実際に届く変化である。そしてそれは、道具が入ったあとで静かに動く。

たいていは違う。そしてこれは、節約に見えて負債のように振る舞う道具の、このサイトで最もはっきりした例である。つくられた資源は一つ残らず、誰かが保ち、守り、いずれ消さなければならない資源である。だから設定が速くなることは、仕事を減らすのではなく設定を増やす——そして時間は書くことからほどくことへ移る。ほどくことは計画表の上に映らない。だからこそ、それは節約として予算に計上される。

この職業のなかで最も安全な業務であり、同時に最も小さい業務である。設計が正しかったかは、それが下されてからずっと後に分かる——つまり自動の審判がなく、したがって道具に閉じられる輪もない——が、大半のチームで設計の判断が占める時間はわずかである。ある職は、最も上級の業務において安全でありながら、時間の大半を失いうる。そしてその隔たりこそ、計画を立てるときに見るべきものである。