Chaque équipe d'ingénierie connaît ce rituel, et Rescale ne faisait pas exception. La suite de tests nocturnes échoue. Un ingénieur d'astreinte examine les journaux, détermine la cause racine et la transmet à la bonne équipe, pour devoir répéter le processus le lendemain matin. À grande échelle, entre des services distribués et des dizaines de dépôts, ce rituel devient un travail à temps plein caché dans un tour d'astreinte.
Rescale est la plateforme d'ingénierie numérique conçue pour l'ère de l'IA. Les équipes de R&D et d'ingénierie des secteurs aérospatial, automobile, énergie, sciences de la vie, semi-conducteurs et fabrication utilisent la plateforme Rescale pour accélérer l'innovation, en réunissant sur une seule plateforme le HPC intelligent, la modélisation et simulation avancées, l'ingénierie numérique agentique et la physique IA.
Au-delà du codage, Rescale utilise l'IA sur l'ensemble du cycle d'ingénierie, de la planification et de la conception jusqu'à l'implémentation, les tests, la revue et les opérations, tout en gardant les ingénieurs responsables du résultat. L'IA peut proposer et exécuter, mais ce sont les personnes qui définissent le périmètre, valident le travail et approuvent les changements en production. Les ingénieurs peuvent alors se concentrer sur l'architecture, le jugement produit et le contexte nécessaire pour exploiter des systèmes distribués complexes.
Dans cet article, nous montrons comment Rescale a utilisé le cadre AI-Driven Development Lifecycle (AI-DLC) sur AWS pour construire un agent de triage intelligent. Ils sont passés de la définition du problème au déploiement en staging en cinq jours, et à la production en quelques semaines. L'article couvre également la façon dont Rescale étend AI-DLC à l'ensemble de son organisation d'ingénierie.
Le défi
À mesure que la plateforme de Rescale grandissait, la charge opérationnelle nécessaire à son maintien en fonctionnement augmentait aussi. Les ingénieurs consacraient beaucoup de temps à une tâche répétitive mais critique : classifier les échecs des tests end-to-end automatisés. Des centaines de cas de test s'exécutent dans la suite, et lorsque des échecs apparaissaient, chaque alerte, rapport de bug et escalade devait être classée, priorisée et transmise à la bonne équipe. Après le routage, les ingénieurs devaient rassembler des preuves à partir de plusieurs systèmes de journalisation et de supervision, ainsi que de plusieurs dépôts de code source, avant même de pouvoir commencer le débogage. La réussite des tests end-to-end était requise pour déployer les services en production, et le débogage de ces défaillances système se trouvait donc sur le chemin critique de la mise en production des nouveaux changements.
Dans le flux de travail manuel, les ingénieurs passaient du rapport de test aux journaux, aux motifs historiques et au code source pour classifier les échecs et identifier l'équipe probablement responsable. Comme ces tests d'intégration conditionnent les mises en production hebdomadaires, des échecs non résolus pouvaient mobiliser plusieurs équipes pendant des heures de coordination avant qu'un déploiement ne soit autorisé à se poursuivre.
L'équipe avait une idée claire de ce à quoi ressemblerait une solution : un agent intelligent capable de classifier et de router les incidents automatiquement. Ce qu'elle recherchait, c'était une méthode structurée pour passer de cette compréhension à un système fonctionnel en production, avec une structure suffisante pour étendre ensuite l'approche à d'autres cas d'usage.
Pourquoi Rescale a choisi AI-DLC
L'agent de triage de Rescale était un problème bien délimité avec un calendrier serré. L'équipe avait besoin d'une approche de développement capable de suivre ce rythme sans escamoter les décisions d'architecture qui détermineraient si le système fonctionnerait en production.
Le AI-Driven Development Lifecycle (AI-DLC) est une méthodologie open source centrée sur l'IA pour le développement logiciel, construite autour de deux idées :
- L'IA exécute, les humains décident : l'IA génère des plans de travail, écrit du code et propose l'architecture, mais elle met en évidence les points de décision et pose des questions de clarification plutôt que de deviner. Les humains valident et orientent à chaque étape.
- Les sessions d'équipe remplacent les relais asynchrones : au lieu qu'une personne construise seule et demande une revue ensuite, AI-DLC utilise des sessions de groupe ciblées : Mob Elaboration (définir ensemble les exigences) et Mob Construction (construire ensemble pendant que l'IA gère l'implémentation). Les décisions se prennent en temps réel.
AI-DLC convenait parce que la partie difficile n'était pas d'écrire le code. C'était de s'assurer que l'IA comprenait ce que l'équipe voulait construire. Dans les sessions de mob, les ingénieurs de Rescale répondaient ensemble aux questions de l'IA et approuvaient chaque plan avant que l'IA ne passe à la suite, si bien que rien n'était laissé à des hypothèses.
Aperçu de la solution
L'agent de triage de Rescale automatise la classification et le routage des échecs des tests end-to-end nocturnes. Il s'exécute comme une étape dans le pipeline d'intégration continue et de livraison continue (CI/CD) Argo Workflows existant de Rescale sur Amazon Elastic Kubernetes Service (Amazon EKS). Lorsque la suite Playwright nocturne de centaines de cas de test produit des échecs, le pipeline déclenche le pod de l'agent de triage.
L'agent effectue les étapes suivantes :
- Invoque Claude Opus 4.8 sur Amazon Bedrock pour classifier chaque échec dans une catégorie de cause racine : problème d'infrastructure, bug de code, test instable ou problème d'environnement.
- Récupère des motifs d'échecs historiques pertinents depuis une base de connaissances pour disposer d'un contexte supplémentaire.
- Interroge les journaux des pods via Model Context Protocol (MCP) pour obtenir des preuves d'exécution à l'appui de la classification.
- Génère un rapport de remédiation structuré avec des références précises de fichiers, des noms de fonctions et des correctifs recommandés pour revue par les ingénieurs avant toute action.
L'agent accomplit ce flux de travail en quelques secondes et produit ses résultats directement dans le pipeline de reporting existant de l'équipe. Le schéma suivant montre comment ces composants s'articulent :
Figure 1 : Architecture de l'agent de triage IA de Rescale, s'exécutant sur Amazon EKS avec Amazon Bedrock pour la classification, une base de connaissances pour les schémas d'échecs historiques, et une récupération de journaux basée sur MCP via l'intégration Amazon CloudWatch
L'expérience de l'atelier AI-DLC
La mission a été structurée sous la forme d'un atelier en présentiel de cinq jours. Les architectes AWS ont guidé la construction tandis que les ingénieurs de Rescale travaillaient activement sur les claviers, en co-construction en temps réel.
Phase de démarrage (jours 1–2) : De la vision aux exigences validées
L'équipe a commencé par cerner les exigences, en consignant l'intention dans un document de vision et un document d'environnement technique qui ont posé les bases du travail avant tout développement. Cette intention a débuté par une seule phrase : « Nous voulons un triage des tests assisté par IA qui classe les échecs et recommande des mesures correctives ». En travaillant de manière collaborative en format mob, l'équipe a répondu à plus de 20 questions de clarification générées par l'IA. Cela a produit un document d'exigences délimité, avec les limites de la Phase 1 explicitement définies et les éléments de la Phase 2 reportés. Cinq user stories ont été consolidées en quatre unités de travail :
- Base de connaissances des schémas de défaillance historiques.
- Un agent de triage IA comme moteur central de classification et de remédiation.
- Integration d'Argo Workflow pour le déclenchement, l'infrastructure et le déploiement.
- Harness d'évaluation pour la mesure de la précision et le contrôle des régressions.
Les décisions humaines ont déterminé les frontières critiques : ce qui appartient à la Phase 1 par rapport à la Phase 2, l'ordre des priorités et les fonctionnalités reportées comme la génération automatisée de pull request (PR).
Phase de construction (jours 2–4) : de l'architecture au code en cours d'exécution
L'équipe a défini les contrats d'interface et les schémas de données, a répondu aux questions de conception fonctionnelle et non fonctionnelle, et a validé l'architecture. Deux changements de cap architecturaux sont survenus au cours du développement, et l'équipe a validé chacun d'eux avant de changer de direction.
Premièrement, l'équipe avait prévu d'héberger l'agent sur Amazon Bedrock AgentCore, puis l'a déplacé vers Amazon EKS, où Rescale fait déjà fonctionner son pipeline CI/CD Argo Workflows. Le fait de conserver l'agent dans le cluster existant signifiait qu'aucun nouveau runtime ne devait être exploité et offrait un chemin de déclenchement direct depuis Argo. Deuxièmement, dans la première version, l'agent récupérait les preuves issues des journaux auprès d'un service de journalisation tiers via MCP. L'équipe a migré la récupération des journaux vers Amazon CloudWatch, ce qui a simplifié la chaîne de dépendances. Le modèle MCP est resté le même. Seule la source située derrière lui a changé. Comme AI-DLC conserve les exigences et les décisions de conception dans des documents partagés, l'équipe les a mis à jour directement et a poursuivi le développement sans perdre le contexte.
L'agent a été développé à l'aide du SDK Strands, prenant en charge l'analyse concurrente des défaillances avec une sortie structurée en JSON et HTML, et conteneurisé sur Amazon EKS.
Au jour 4, le pipeline complet tournait en staging : déclenchement de workflow Argo, pod de l'agent de triage, requête de logs MCP, récupération depuis la base de connaissances et sortie de triage structurée.
Phase d'exploitation (jour 5) : évaluation et passation
L'équipe a construit un cadre d'évaluation basé sur PyTest avec des modes de test en direct et simulé (stubbed), établissant une base de référence initiale d'accord de classification à laquelle mesurer l'agent et à partir de laquelle s'améliorer. L'agent a été démontré en direct au CTO et au VP de l'Ingénierie de Rescale, classant correctement à la fois une panne d'infrastructure et un vrai bug de code avec des recommandations de correction spécifiques au niveau des fichiers.
Comment AI-DLC a étendu la rigueur à la complexité
Toutes les unités de travail ne reçoivent pas le même traitement. La base de connaissances ne nécessitait qu'une conception minimale et a été déployée avec Terraform en quelques heures. Le Triage Agent a bénéficié d'une rigueur complète : revue d'architecture, contrats d'interface, 12 questions de conception et revue de code itérative. L'intégration Argo s'est concentrée sur les contrats d'infrastructure et l'IAM. Le harnais d'évaluation a utilisé une conception légère mais une implémentation lourde. AI-DLC a automatiquement adapté la profondeur à la complexité.
À la fin du jour 5, l'agent était opérationnel en staging, traitant de vrais échecs de tests avec une précision de base mesurée et un chemin clair vers la production.
Résultats de production
L'agent de triage tourne en production depuis l'atelier. Il classe automatiquement les échecs des tests de bout en bout nocturnes, remplaçant le triage manuel de première passe par une première passe automatisée que les ingénieurs valident. Pour chaque échec, l'agent génère un rapport de remédiation structuré avec des étapes concrètes plutôt que des journaux bruts. Le taux d'accord entre la classification de l'agent et le triage humain est passé de 44 % au déploiement initial à 68 % aujourd'hui. Il continue de s'améliorer à mesure que l'équipe itère sur le jeu de données de référence et l'ingénierie des prompts.
Depuis que l'agent de triage est entré en production, l'équipe a mesuré une diminution de 20 % du temps de blocage des déploiements en production pendant l'analyse des échecs de tests. Comme ces tests conditionnent les livraisons hebdomadaires en production de Rescale, cette réduction se traduit directement par la rapidité avec laquelle les changements arrivent en production. Les ingénieurs consacrent également moins de temps de leur astreinte à la classification répétitive.
La vie après l'atelier : D'un agent à un cabinet axé sur l'IA
L'atelier a livré un agent de production, mais son effet le plus important a porté sur la manière dont Rescale aborde le travail d'ingénierie. L'agent de triage s'inscrit dans une initiative plus large menée chez Rescale pour fournir des capacités d'ingénierie numérique à l'ère de l'IA. En interne, Rescale applique ces mêmes bénéfices tirés de l'IA au sein de sa propre organisation d'ingénierie. AI-DLC a donné aux ingénieurs de Rescale un moyen structuré et répétable de mettre cette orientation en pratique.
Extension de l'AI-DLC à l'échelle de l'organisation
Rescale évalue un AI-DLC interne Centre de Excellence, un petit groupe qui codifie les meilleures pratiques et aide les autres équipes à adopter la méthodologie de manière autonome.
Les ingénieurs qui ont participé appliquent déjà ce qu'ils ont appris. L'un des ingénieurs a souligné que le processus « fera partie de mon flux de travail à l'avenir », non seulement pour créer des agents, mais pour tout travail de développement complexe où l'IA peut contribuer.
Un développement natif IA plus large
Rescale intègre désormais AI-DLC dans le cycle de développement logiciel standard de ses nouveaux produits d'ingénierie de simulation. Ce framework réunit l'expertise du domaine de la simulation, les exigences produits, l'architecture de plateforme, la validation et les opérations au sein d'un seul processus de conception structuré. Les équipes résolvent les questions clés en amont, consignent les décisions validées dans des spécifications exécutables et confient aux agents de codage un travail ciblé avec des critères d'acceptation clairs. Cela raccourcit le chemin allant du concept produit à l'implémentation validée, tandis que les ingénieurs restent responsables de l'exactitude du produit.
La même approche est déjà utilisée pour des travaux de plateforme de mise à disposition des produits et pour des systèmes d'agents :
- Gestion du catalogue d'applications de simulation HPC.
- Suivi et remédiation des vulnérabilités des conteneurs pour répondre aux exigences de conformité gouvernementales.
- Agents de codage cloud basés sur des workflows.
Conclusion
Pour l'agent de triage, le résultat le plus utile d'AI-DLC n'a pas été le code lui-même. C'était le chemin structuré allant d'une idée initiale à une conception de système examinée : questions de clarification, exigences délimitées et critères d'évaluation.
Cette spécification a donné aux agents de codage un problème plus étroit et mieux défini à résoudre. Au lieu de demander à un agent de déduire l'architecture tout en l'implémentant, l'équipe a pu utiliser les agents pour une construction ciblée fondée sur des décisions déjà validées par des humains. Le résultat a été un résultat plus ciblé et plus facilement révisable, plus simple à intégrer et à améliorer. Pour Rescale, voilà le schéma répétable : utiliser AI-DLC pour structurer la conversation de conception, transformer les décisions en spécification, puis utiliser des agents de codage pour accélérer l'implémentation.
Points clés à retenir
- Commencer par un problème réel. L'agent de triage de Rescale a réussi parce qu'il résolvait un défi d'ingénierie. Le problème a piloté la solution, et non l'inverse.
- La supervision humaine accélère, elle ne ralentit pas. Chaque pivot d'architecture qui a amélioré le système est venu d'une validation humaine des propositions de l'IA. Le format mob, où l'IA génère et où les humains valident, est plus rapide que le travail en solitaire.
- La pile AWS a fourni à l'agent chacune des couches dont il avait besoin. Amazon Bedrock a fourni l'accès aux modèles de fondation pour la classification dans un environnement que Rescale utilisait déjà, si bien que l'équipe a pu construire le workflow de triage sans assumer de surcoût supplémentaire d'infrastructure de modèles. Le SDK Strands a fourni le framework d'agents, et Amazon EKS a hébergé l'agent conteneurisé dans le pipeline existant de Rescale.
Commencer avec AI-DLC
- Comprendre la méthodologie : Lisez le blog d'introduction à AI-DLC et le dossier approfondi sur les workflows adaptatifs.
- Explorez le service : En savoir plus sur Amazon Bedrock.
- Essayez dès maintenant : Clonez les règles de workflow open source d'AI-DLC à l'adresse github.com/awslabs/aidlc-workflows.
- Voyez-le en action : Parcourez une construction pratique d'AI-DLC avec Amazon Q Developer.
- Restez en contact : Contactez votre équipe de compte AWS pour discuter de la manière dont AI-DLC peut être adapté aux workflows d'ingénierie spécifiques de votre organisation.