Les revues de code IA de Datadog réduisent considérablement les risques d'incidents informatiques

L'intégration de l'IA dans les workflows de révision du code permet aux responsables techniques d'identifier systématiquement les risques systémiques qui échappent souvent aux réviseurs humains.

Pour les responsables techniques qui supervisent des systèmes distribués, l'équilibre entre la vitesse de déploiement et la stabilité opérationnelle détermine souvent le succès de la plateforme. Datadog, qui assure l'observabilité d'infrastructures mondiales complexes, subit une pression considérable pour maintenir cet équilibre.

Lorsque les systèmes des clients subissent des pannes, ils dépendent de la plateforme de Datadog pour analyser les causes profondes, ce qui rend la fiabilité essentielle bien avant que le logiciel n'atteigne les environnements de production.

L'extension de cette fiabilité pose des défis opérationnels. Les révisions de code ont traditionnellement servi de principal contrôle qualité, les ingénieurs seniors tentant de détecter les erreurs pendant cette phase critique. Cependant, à mesure que les équipes d'ingénieurs s'agrandissent, il devient de plus en plus difficile pour les réviseurs humains de maintenir une connaissance contextuelle approfondie de l'ensemble du code.

Pour pallier cette limitation, l'équipe AI Development Experience (AI DevX) de Datadog a intégré Codex d'OpenAI afin d'automatiser la détection des risques que les réviseurs humains ont tendance à négliger.

Pourquoi l'analyse statique est insuffisante

Les entreprises utilisent depuis longtemps des outils automatisés pour faciliter les revues de code, mais leur efficacité a toujours été limitée.

Les premiers outils d'examen de code basés sur l'IA fonctionnaient souvent comme des linters sophistiqués, détectant les problèmes de syntaxe superficiels, mais sans comprendre l'architecture globale du système. Sans compréhension contextuelle, les ingénieurs de Datadog rejetaient souvent les suggestions de ces outils, les considérant comme des informations non pertinentes.

Le défi fondamental consistait à comprendre comment des modifications spécifiques du code pouvaient affecter des systèmes interconnectés, plutôt que de simplement détecter des erreurs isolées. Datadog avait besoin d'une solution capable de raisonner sur les relations et les dépendances du code, et pas seulement d'identifier les violations de style.

L'équipe a déployé le nouvel agent directement dans l'un de ses référentiels les plus actifs, permettant ainsi la révision automatique de chaque pull request. Contrairement à l'analyse statique conventionnelle, ce système compare l'intention du développeur aux modifications réelles du code, en exécutant des tests pour vérifier le comportement.

Pour les leaders technologiques, démontrer la valeur de l'IA générative au-delà de son efficacité théorique reste un défi. Datadog a contourné les mesures de productivité standard en créant un « harnais de relecture des incidents » pour tester l'outil par rapport aux pannes historiques du système.

Plutôt que d'utiliser des scénarios hypothétiques, l'équipe a reconstitué les pull requests passées connues pour avoir causé des incidents. Elle a ensuite évalué si l'agent IA aurait signalé les problèmes que les réviseurs humains avaient initialement manqués.

Les résultats ont fourni des données concrètes sur l'atténuation des risques : l'agent a identifié plus de 10 cas (environ 22 % des incidents examinés) où ses commentaires auraient permis d'éviter des erreurs. Il s'agissait de pull requests qui avaient déjà été examinées par des humains, ce qui démontre la capacité de l'IA à détecter des risques invisibles pour les ingénieurs.

Cette validation a changé la perception interne de l'utilité de l'outil. Brad Carter, qui dirige l'équipe AI DevX, a observé que si les gains d'efficacité sont précieux, « la prévention des incidents revêt une importance bien plus grande à notre échelle ».

Comment les revues de code par IA changent la culture de l'ingénierie

Le déploiement de cette technologie auprès de plus de 1 000 ingénieurs a transformé la culture de révision du code au sein de l'organisation. Plutôt que de remplacer le jugement humain, l'IA sert de partenaire collaboratif qui gère la charge cognitive des interactions entre les services.

Les ingénieurs ont signalé que le système identifiait systématiquement les problèmes non évidents dans les modifications de code. Il a détecté des lacunes dans la couverture des tests au niveau des points d'intégration entre les services et a mis en évidence les impacts sur les modules qui n'étaient pas directement modifiés par les développeurs.

Cette profondeur analytique a changé la façon dont les équipes d'ingénieurs interagissent avec les commentaires automatisés.

« Un commentaire Codex donne l'impression de travailler avec l'ingénieur le plus brillant qui dispose d'un temps illimité pour la détection des bogues. Il reconnaît des connexions que mon cerveau ne peut pas traiter simultanément », explique Carter.

La capacité du système d'IA à contextualiser les modifications permet aux réviseurs humains de se concentrer moins sur la détection des bogues et davantage sur l'évaluation des considérations architecturales et de conception.

De la recherche de bogues à la fiabilité

Pour les dirigeants d'entreprise, la mise en œuvre de Datadog démontre l'évolution de l'objectif de la révision de code. Elle passe d'un simple point de contrôle des erreurs ou d'une mesure du temps de cycle à un système de fiabilité fondamental.

En révélant des risques qui dépassent la compréhension individuelle, cette technologie soutient des stratégies dans lesquelles la confiance dans le déploiement du code évolue parallèlement à la croissance de l'équipe. Cela correspond à la vision de la direction de Datadog, qui considère la fiabilité comme essentielle pour maintenir la confiance des clients.

« Nous sommes la plateforme sur laquelle les entreprises comptent lorsque leurs systèmes tombent en panne », déclare M. Carter. « La prévention des incidents renforce la confiance que nos clients nous accordent. »

La réussite de l'intégration de l'IA dans les pipelines de révision de code suggère que la plus grande valeur de cette technologie pour les entreprises réside peut-être dans l'application de normes de qualité complexes qui ont un impact direct sur les résultats commerciaux.

Voir aussi : La mise à l'échelle de l'IA agentique nécessite une nouvelle architecture mémoire

Vous souhaitez en savoir plus sur l'IA et le big data auprès d'experts du secteur ? Rendez-vous à l'AI & Big Data Expo à Amsterdam, en Californie et à Londres. Cet événement complet fait partie de TechEx et se déroule parallèlement à d'autres conférences technologiques de premier plan. Cliquez ici pour plus de détails.

AI News est alimenté par TechForge Media. Découvrez ici les autres événements et webinaires à venir sur les technologies d'entreprise.