Miten viikkoraportti opetettiin kirjoittamaan itsensä tekoälyn avulla

Asiakkaallamme oli ongelma, joka on monessa tiimissä tuttu: tärkeää dataa oli saatavilla, mutta se ei löytänyt tietään sinne missä ihmiset työskentelivät. API-virheiden lokidata pyöri Logz.io-palvelussa, mutta viikottainen yhteenveto vaati jonkun istumaan alas, keräämään luvut käsin ja kirjoittamaan ne Confluenceen.

Manuaalinen raportointi ei tuntunut itselleni mielekkäältä tavalta käyttää työaikaa, joten sain idean automatisoida rutiinin. Keskustelin asiasta asiakkaan kanssa, jonka kanssa määritimme raamit: mitä tietoja raporttiin halutaan ja miten havaittuihin ongelmiin reagoidaan jatkossa.

Lopulta tahtotila oli selkeä: automaattinen viikkoraportti, joka ilmestyy Confluenceen joka maanantai ilman, että kukaan joutuu tekemään manuaalista työtä. Raportilla haluttiin nähdä viisi eniten 500-virheitä palauttanutta API-endpointtia sekä viisi hitainta endpointtia – ja vertailu edelliseen viikkoon.

Ensimmäinen idea: suora reitti

Luontevin lähestymistapa tuntui olevan Jira Automationin käyttö välikätenä. Jira Cloud tarjoaa ajastetun automaation, joka osaa kutsua ulkoisia API:ita ja päivittää Confluence-sivuja — kaikki samassa ekosysteemissä ilman erillistä infrastruktuuria.

Suunnitelma oli yksinkertainen: Jira Automation herää joka maanantai, hakee datan Logz.io:n API:sta ja kirjoittaa tulokset Confluenceen.

Eli:

1. Jira Automation: ajastettu trigger aina maanantaisin
2. HTTP-kutsu Logz.io API:in
3. Confluence-sivun päivitys automaattisesti

Yksinkertaista, eikö vain?

Mutkia matkaan

Ensimmäinen este tuli vastaan nopeasti — ja se oli periaatteellinen, ei tekninen. Esteeksi muodostui tietoturva.

Logz.io:n API-avain antaa täydet oikeudet kaikkeen Logz.io:ssa. Sen syöttäminen Jira Automationiin olisi tarkoittanut arkaluonteisten tunnistetietojen tallentamista kolmannen osapuolen järjestelmään — riski, jota asiakas ei halunnut ottaa.

Tarvittiin vaihtoehtoinen reitti, jossa API-avain pysyisi hallitussa ympäristössä.

Seuraava este oli tekninen – Logz.io:n API-rajoitteet.

Logz.io:n hakurajapinta palauttaa dataa enintään kahden päivän aikaikkunasta kerrallaan. Koko viikon aggregointi yhdellä kutsulla ei siis ollut mahdollista.

Tämä tarkoitti, että datan kerääminen ja yhdistäminen pitäisi tehdä jossain muualla — ei suoraan Jiran automatisoinnissa.

Ratkaisu löytyi GitLabista

Asiakkaan tiimin kanssa keskustellessa osoittautui, että asiakkaalla oli jo GitLab-repossa valmiiksi logiikkaa, joka käsitteli samantyyppistä API-dataa laadunmittaustarkoituksiin. Tämä oli luonteva paikka laajentaa toiminnallisuutta.

Uusi lähestymistapa: GitLab-pipeline vastaanottaa Logz.io:sta dataa päivä kerrallaan, aggregoi seitsemän päivän tulokset yhteen ja muodostaa Confluencen ymmärtämän rakenteen. Confluence API token todettiin turvallisemmaksi vaihtoehdoksi, koska se noutaa tiedot Logz.io:n sijaan GitLabista
Lisäksi, koska data liikkuu Logz.io:sta GitLabin suuntaan, Logz.io:n tietoturvaongelmasta päästiin eroon.

Lopullinen ratkaisu:

1. GitLab Scheduled Pipeline aina maanantaisin
2. 7 × API-kutsu Logz.io:on (päivä kerrallaan)
3. Aggregointi: top 5 errorit + top 5 hitaimmat endpointit
4. Confluence REST API:n kautta Confluence-sivun päivitys

Lopputuloksena toivottu raportointi tapahtuu nyt automaattisesti. Joka maanantai Confluenceen ilmestyy automaattisesti päivitetty sivu, jossa näkyvät viikon pahimmat API-ongelmat selkeässä taulukkomuodossa — vertailu edelliseen viikkoon mukaan lukien.

Opit ja miten tekoäly auttoi

Automaation rakentaminen harvoin menee niin kuin ensin suunnittelee. Tietoturvarajoitukset, API-rajoitukset ja olemassa olevat järjestelmät muokkaavat ratkaisua matkan varrella. Se on normaalia — ja usein lopputulos on parempi kuin alkuperäinen idea.

Sanoista tekoihin -lähestymisen sijaan hyvällä suunnittelulla saadaan parhaat tulokset.

Tässä projektissa käytin Claudea aktiivisena sparrauskumppanina koko suunnitteluvaiheessa. Kävin sen kanssa läpi eri integraatiovaihtoehdot (Jira Automation, Logz.io:n omat raportit, suora Confluence API) jo ennen kuin mitään oli rakennettu. Tekoäly auttoi tunnistamaan ongelmat — kuten tietoturvariskin ja API-rajoituksen — etukäteen, sekä muotoilemaan API-kutsut oikeaan muotoon. Minä tein päätökset, mutta AI nopeutti merkittävästi vaihtoehtojen kartoitusta.

Lisäksi tämä oli täydellinen esimerkki asiakkaan ja konsultin yhteistyöstä. Konsultti saa tehtävän ja huomaa siinä paikan automatisoinnille. Konsultti kokeilee ensin itse iteroida ideaa AI:n kanssa ja lopulta työ viedään loppuun asiakkaan kanssa yhteistyössä. Nyt asiakkaalla on automatiikka ja tiimi näkee yhdellä silmäyksellä, mihin suuntaan tilanne on mennyt, ilman että kukaan joutuu kaivamaan dataa manuaalisesti.