DORA DevOps四大關鍵指標和成熟度等級之探討

FIND研究員：李啟榮

由於DevOps的實施方法隨著各家公司和專案的型態差異，有著很大的出入，但這些DevOps的實踐經驗，可做為DevOps入門的借鏡；DevOps研究機構DORA依據各家業者DevOps實踐經驗，以四大關鍵指標和成熟度等級，來評估企業DevOps的實施是否兼顧產品品質和交付速率，達到客戶的期望。
【DORA DevOps四大關鍵指標&成熟度等級概說】
隸屬Google母公司Alphabet的調查機構DORA（DevOps Research and Assessment，DevOps評估研究中心），引用Nicole Forgsren的《Accelerate》書中提到的「DevOps四大關鍵指標」，對31,000以上DevOps人員進行分級評估。四大關鍵指標與目的如下所示：

1.Lead time for changes-改版的前置時間：從原始碼交付到成功上線運行的間隔時間。
2.Deployment frequency-部署頻率：在指定時間之內，提交並部署正式上線的Production版本的多寡。
3.Time to restore service-服務恢復時間：從災後停機狀態恢復服務所花的平均時間（MTTR）。
4.Change failure rate–改版失敗率：藉由計算Production（產出版）部署的成敗比值，測量Production部署失敗發生的頻率並立刻採取補救措施（例如Rollback回溯）。
而DORA進一步藉由四大指標，來評定DevOps人員執行專案時的成熟度等級，並劃分為四種不同的成熟度：初級、中級、高級、菁英級；DORA根據DevOps人員四大指標的實施程度進行分級，如下表1所示。
【DORA DevOps四大關鍵指標對企業的意義和助益】
DORA藉由對DevOps人員進行包含四大指標的四級評估，可從中了解DevOps人員的成熟度達到何種層次，並預估DevOps成熟度掌握的未來趨勢。在DORA前年的報告中，2018~2019四大指標的四級成熟度變化，從初級成長到中級（中級37%→44%）、從高級成長到菁英級（菁英級7%→20%）的幅度有顯著提升，代表企業成員對DevOps掌握成熟度逐漸茁壯，菁英級比率的提升更有助連帶提升產品交付品質和速率。
【小結】
DORA針對DevOps人員的四大面向成熟度指標進行四級評估，成熟度水準的長進也象徵了DevOps人員素質的連帶提升，其中20%的人員達到了菁英級，達到了大量快速部署、低改版前置時間、低回復時間及低改版失敗率，可應付瞬息萬變、高強度、高頻度的DevOps改版、可用性的需求，有望加速改版和維護的循環，滿足客戶對品質保障和上線交付的迫切需求，提供更先進的功能、更穩定的服務。

資料來源：
1.DevOps Research and Assessment (DORA). (2019, August 23). State of DevOps 2019. Retrieved January 26, 2021, from Google Cloud:
https://services.google.com/fh/files/misc/state-of-devops-2019.pdf
2.Duvall, P. (2018, December 21). Measuring DevOps Success with Four Key Metrics. Retrieved January 26, 2021, from Stelligent:
https://stelligent.com/2018/12/21/measuring-devops-success-with-four-key-metrics/

Google Incs. 的新語言模型-Switch Transformer

FIND研究員：邱冠龍

在一般的深度學習模型中，主要只使用一組模型的參數，並透過反覆的微調再利用，使得模型能適用在其他相近的領域。而多專家任務模型(Mixture of Experts; MoE)，不同於以往的模式，針對不同的輸入例使用不同的參數，以期達到更好的效果。此種模式就像聚集了一堆領域專家，當資料進來時，會針對資料的特性分配到該領域的專家，如金融方面的文章以及問題會分給若干個金融專家，金融專家會針對看到的文章和問題做出解答，再把專家的意見綜合起來作出結論當作問題的解答回傳給提問者。而此模式特點是使用稀疏活化模型(sparsely-activated models)，意即一次只使用部分的模型參數(也就是領域專家)能計算結果，此舉能讓模型在增加大量的參數時亦能維持原來的運算複雜度。然而MoE模型還是過於複雜且存在太多溝通成本，而且會有訓練不穩定的情形狀況，因此[1]的作者在2021年一月提出了switch transformer的做法來改善這些缺失。
回顧一下MoE的做法，每當有輸入進來時，分配器(router)會從N個專家中挑選對此輸入表現最好(閾閥值最高)的k個專家，由各專家計算出結果，再將依閾閥值的比例去分配結果權重以取得最後的成果。而[1]的作者把一次挑k個專家的方式改成一次只挑一個專家，這樣可以得到下列好處：
1.分配器使用的運算資源變少(一次只挑一個)
2.每批次的資料量大小會至少減半(不用重覆傳送資料到其他專家)
3.分配器的實作變簡單。下圖將呈現switch transformer的基本架構。
作者提到了switch transformer有下列優點：
1.但同等級的機器下，switch transformer能用7倍以上的速度訓練出和T5 model同等級的model。
2.在模型蒸餾後，可以縮減模型99%大小，但仍保存30%以上的效能增益。
3.在涵蓋101種語言的多語言版本訓練的增益都超過mT5-Base。

資料來源：
1.Fedus, William, Barret Zoph, and Noam Shazeer. "Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity." arXiv preprint arXiv:2101.03961 (2021).

Tier電動滑板車結合視障導航APP，守護視障者行人的道路安全

在2020年新冠肺炎的影響下，英國倫敦通勤族對於搭乘大眾運輸工具擁擠的密閉空間感到焦慮，於是在戶外騎乘既小型、輕便且又綠能環保的電動滑板車(E-scooter)，成為疫情期間最受歡迎的交通工具。而英國交通部也將在2021年春季正式推出電動滑板車的租賃服務，並讓電動滑板車的微型行動(micro-mobility)技術合法化。>

踏上Clubhouse的魔幻舞臺，你也可以成為KOL！

最近在網路上爆紅的新興語音社群媒體平臺Clubhouse，可以在各大朋友圈的動態上看見各種#邀請碼、#去開房間、#某某某開房了快聽等等畫面，這個席捲整個臺灣各族群，甚至一度因為太多人而當機的Clubhouse，到底為什麼可以這麼紅？>