Atlassian: ML-модели отбирают тесты для CI, экономия более $4 млн в год

Atlassian ведёт монорепозиторий объёмом 100 млн строк кода. По описанию компании, такой масштаб создаёт серьёзные трудности с затратами на инфраструктуру, масштабируемостью и эффективностью сборок. Конвейер непрерывной интеграции и поставки (CI/CD) компании ежедневно выполняет сотни тысяч тестов, и это приводит к значительной избыточности и снижает эффективность процесса разработки. Задачу компания сформулировала как сокращение времени сборок и расхода ресурсов в конвейере непрерывной интеграции с помощью ИИ и машинного обучения.

Основной элемент решения — предиктивный отбор тестов. ML-модели анализируют изменения в коде и вместе со статическим анализом кода определяют, какие тесты для конкретного изменения избыточны; такие тесты пропускаются. По словам компании, качество при этом не снижается. Решение работает в монорепозитории на 100 млн строк кода и встроено в конвейер непрерывной интеграции. Помимо отбора тестов Atlassian применяет инструменты на основе ИИ для миграций кода — масштабных рефакторингов, которые раньше требовали много повторяющейся ручной работы.

Опыт описан в докладе Atlassian «100 Million Lines of Code, Millions of $ Saved, 0 Wasted Builds; AI Powered CI @ Atlassian Scale» на YouTube-канале Developer Summit. По данным компании, предиктивный отбор тестов позволяет пропускать 50–95% избыточных тестов на каждое изменение. Результатом стали тысячи сэкономленных инженерных часов и сокращение годовых затрат на инфраструктуру более чем на 4 млн долларов. Инструменты на основе ИИ сократили ручные трудозатраты на миграции кода на 50% и ускорили масштабные рефакторинги; освободившееся время команды, по словам компании, направляют на разработку нового.