Segurança em IA✦ Gerado por IA

Grab Aprimora Estabilidade de Apps com Defesa em Camadas contra Código IA

A Grab, gigante de tecnologia, implementou uma estratégia de defesa em camadas para garantir a estabilidade de seus aplicativos móveis. A medida é uma resposta ao aumento de código gerado por inteligência artificial, que acelera o desenvolvimento, mas também eleva o risco de falhas.

Edição de ·InfoQ AI·6 min de leitura·
CompartilharWhatsAppXLinkedInFacebook
💡

Principal Aprendizado

A Grab implementou uma estratégia de defesa em camadas para garantir a estabilidade de seus aplicativos móveis, mitigando os riscos do aumento de código gerado por IA através de prevenção, detecção e resposta rápida a falhas.

A crescente adoção de assistentes de codificação baseados em inteligência artificial tem revolucionado o processo de desenvolvimento de software, impulsionando a velocidade e o volume de alterações de código a cada nova versão. Contudo, essa aceleração traz consigo um desafio significativo: o aumento das oportunidades para a introdução de defeitos e falhas nos aplicativos. A Grab, reconhecendo essa dualidade, desenvolveu uma estratégia robusta para mitigar os riscos e manter a estabilidade de seus produtos móveis.

A empresa observa que, embora a IA acelere a escrita de código, é a defesa em camadas que garante a segurança dessa velocidade. Em uma escala como a da Grab, onde um alto volume de solicitações de fusão de código é processado semanalmente por diversas equipes de produto, o risco de falhas em produção é constante. Qualquer alteração, mesmo aquelas por trás de funcionalidades ativadas por flags, pode introduzir um problema. Uma falha em um aplicativo móvel não apenas degrada a experiência do usuário, mas também reduz as taxas de sessões sem falhas, impactando negativamente o ranking do aplicativo no Google Play. Além disso, falhas que chegam aos usuários podem permanecer em seus dispositivos por mais tempo, já que nem todos habilitam atualizações automáticas, gerando custos adicionais. A complexidade aumenta quando as falhas não vêm com rastros de pilha claros, exigindo um trabalho de cruzamento de cronogramas de lançamento, ativações de flags e metadados de sessão para identificar a causa.

A Estratégia de Defesa em Camadas da Grab

A abordagem da Grab segue uma estratégia de “shift-left”, focada em identificar e corrigir falhas o mais cedo possível no ciclo de desenvolvimento. Essa defesa em camadas é dividida em três fases principais: pré-fusão até pré-produção, controle de lançamento e resposta pós-lançamento.

Na fase de pré-fusão até pré-produção, o objetivo primordial é a prevenção, considerada a “linha de defesa primária” da Grab. Engenheiros utilizam analisadores de código estático, como Android Lint e SwiftLint, para identificar problemas antes mesmo que o código seja integrado, aplicando regras específicas da plataforma, da comunidade e personalizadas. Testes automatizados e manuais, incluindo testes de unidade, testes de interface do usuário e verificações de garantia de qualidade (QA), complementam essa etapa. Um ponto crucial é o Grab Early Access (GEA), um estágio de pré-produção onde versões iniciais são distribuídas para usuários internos e monitoradas ativamente. Uma falha detectada por um pequeno grupo de usuários internos no GEA, em escala de produção, resultaria em um pico substancial na taxa de falhas, sobrecarga de suporte e, potencialmente, a necessidade de um hotfix. Capturar essas falhas antes que cheguem aos usuários finais torna o GEA um dos portões de estabilidade mais importantes.

Durante a fase de lançamento, a Grab emprega o lançamento escalonado e as flags de recursos para controlar a exposição à produção. O lançamento escalonado permite que uma nova versão do aplicativo atinja inicialmente apenas uma pequena porcentagem de usuários, possibilitando o monitoramento de falhas e a interrupção do lançamento se uma taxa anormal for detectada. As flags de recursos, por sua vez, permitem que as equipes ativem funcionalidades gradualmente, monitorando seu impacto nas taxas de falhas. Se uma funcionalidade específica causar um aumento nas falhas acima de limites predefinidos, ela pode ser desativada imediatamente, sem a necessidade de uma nova versão do aplicativo.

Na fase pós-lançamento, o foco da Grab é a resposta rápida a incidentes, utilizando mecanismos para detectar, investigar e conter falhas em produção. Isso inclui o monitoramento de falhas em tempo real com ferramentas como Firebase Crashlytics e BigQuery, que identificam anomalias assim que uma versão é lançada. A triagem automatizada e diagnósticos enriquecidos agregam metadados de falhas e rastros de pilha, ajudando as equipes a mapear falhas para solicitações de fusão específicas. Por fim, os ciclos de feedback e análises post-mortem são utilizados para estender as regras de lint e a cobertura de testes, aprimorando continuamente o sistema de defesa.

O que isso muda para você

Para profissionais brasileiros que atuam com desenvolvimento de software, especialmente em empresas que buscam escalar suas operações com o auxílio da inteligência artificial, a experiência da Grab oferece lições valiosas. A adoção de ferramentas de IA para gerar código é uma tendência irreversível, mas a velocidade que ela proporciona deve ser acompanhada por uma infraestrutura de segurança robusta. Ignorar essa necessidade pode levar a custos elevados com correção de bugs, perda de reputação e insatisfação do cliente.

O modelo de defesa em camadas da Grab demonstra que a estabilidade não é um acidente, mas o resultado de um esforço contínuo e multifacetado. Implementar uma estratégia “shift-left”, investindo em prevenção e detecção precoce de falhas, é crucial. Isso significa integrar analisadores de código estático, fortalecer a cultura de testes automatizados e manuais, e criar ambientes de pré-produção para validação interna. O próximo passo concreto para sua equipe pode ser mapear o ciclo de vida de desenvolvimento atual e identificar onde novas camadas de defesa podem ser inseridas, começando pela fase de pré-fusão, que oferece o maior retorno sobre o investimento em prevenção.

📰 Com base em reportagem de InfoQ AI. Texto produzido com apoio de inteligência artificial, com curadoria e edição de Robson Benfica Conceição, com análise própria do que a notícia muda para quem trabalha no Brasil. Veja como produzimos.

📬 Newsletter Gratuita

As principais notícias de IA do dia, curadas por Robson Conceição. Grátis, todo dia no seu e-mail.

Gostou do conteúdo?

Compartilhe com quem também quer entender IA no trabalho.

CompartilharWhatsAppXLinkedInFacebook

Leia também