Schulungsübersicht
Level 1: Das Entdeckungs-Dungeon – Die Geheimnisse der Anforderungen
Mission: Verwende LLMs (ChatGPT), um strukturierte Anforderungen aus unklaren Eingaben zu extrahieren.
Schwerpunktaktivitäten:
- Interpretation mehrdeutiger Produktideen oder Feature-Anfragen
- Einsatz von KI zur:
- Generierung von User Stories und Akzeptanzkriterien
- Vorschlag von Personas und Szenarien
-
Generierung visueller Artefakte (z. B. einfache Diagramme mit Mermaid oder draw.io)
Ergebnis: Strukturierter Backlog von User Stories + anfängliches Domänenmodell/Visualisierung
Level 2: Die Design-Schmiede – Die Schriftrolle des Architekten
Mission: Verwende KI, um Architekturpläne zu erstellen und zu validieren.
Schwerpunktaktivitäten:
- Einsatz von KI zur:
- Vorschlag von Architekturstilen (Monolith, Microservices, Serverless)
- Generierung von hochauflösenden Komponenten- und Interaktionsdiagrammen
- Erstellung von Skeletten für Klassen-/Modulstrukturen
-
Austausch von Argumenten über peer-basierte Design-Reviews
Ergebnis: Validierte Architektur + Code-Skelett
Level 3: Der Code-Arena – Die Codex-Kampfhalle
Mission: Verwende KI-Copilots, um Funktionen zu implementieren und Code zu verbessern.
Schwerpunktaktivitäten:
- Verwendung von GitHub Copilot oder ChatGPT zur Funktionsimplementierung
- Refactoring von KI-generiertem Code für:
- Performance
- Sicherheit
- Wartbarkeit
-
Einfügen von „Code Smells“ und Durchführung von Peer-Clean-up-Herausforderungen
Ergebnis: Funktionelle, refaktorierte, KI-generierte Codebasis
Level 4: Das Bug-Sumpfgebiet – Teste die Dunkelheit
Mission: Erzeuge und verbessere Tests mit KI, finde dann Bugs im Code anderer Teams.
Schwerpunktaktivitäten:
- Generierung von Folgendem mit KI:
- Unit Tests
- Integrationstests
- Edge-Case-Simulationen
-
Austausch von buggy Code mit einem anderen Team für KI-gestütztes Debugging
Ergebnis: Testsuite + Bug-Report + Bug-Fixes
Level 5: Die Pipeline-Pforten – Das Automaten-Tor
Mission: Richte intelligente CI/CD-Pipelines mit KI-Unterstützung ein.
Schwerpunktaktivitäten:
- Einsatz von KI zur:
- Definition von Workflows (z. B. GitHub Actions)
- Automatisierung der Schritte für Build, Test und Deployment
- Vorschlag von Anomalie-Erkennungs-/Rollback-Richtlinien
Ergebnis: KI-gestützter, funktionsfähiger CI/CD-Pipeline-Script oder -Flow
Level 6: Die Monitoring-Zitadelle – Der Wachturm der Logs
Mission: Analysiere Logs und verwende ML, um Anomalien zu erkennen und Erholungen zu simulieren.
Schwerpunktaktivitäten:
- Analysieren von vorbestellten oder generierten Logs
- Einsatz von KI zur:
- Identifizierung von Anomalien oder Fehler Trends
- Vorschlag automatisierter Reaktionen (z. B. Selbstheilungs-Skripte, Alerts)
- Erstellung von Dashboards oder visuellen Zusammenfassungen
Ergebnis: Monitoring-Plan oder simulierter intelligenter Alarmmechanismus
Finale Level: Die Arena des Helden – Baue die ultimative KI-gestützte SDLC
Mission: Teams wenden alles Gelernte an, um eine funktionierende SDLC-Schleife für ein Mini-Projekt zu erstellen.
Schwerpunktaktivitäten:
- Auswahl eines Team-Mini-Projekts (z. B. Bug-Tracker, Chatbot, Microservice)
- Anwendung von KI in jeder SDLC-Phase:
- Anforderungen, Design, Code, Test, Deployment, Monitoring
- Präsentation der Ergebnisse in einer kurzen Team-Demo
Peer-Voting oder Jury-Entscheidung für die effektivste KI-gestützte Pipeline
Ergebnis: End-to-End-KI-verbesserte SDLC-Implementierung + Team-Präsentation
Bis zum Ende dieses Workshops sind die Teilnehmenden in der Lage:
- Anwendung generativer KI-Tools zur Extraktion und Strukturierung von Softwareanforderungen
- Generierung von Architekturdiagrammen und Validierung von Designentscheidungen mit KI
- Nutzung von KI-Copilots zur Implementierung und Refactoring von Code in Produktionsqualität
- Automatisierung der Testgenerierung und Durchführung von KI-gestütztem Debugging
- Design intelligenter CI/CD-Pipelines, die Anomalien erkennen und darauf reagieren
- Analysieren von Logs mit KI/ML-Tools zur Risikoidentifikation und Simulation von Selbstheilung
- Demonstration einer vollständig KI-verbesserten SDLC durch ein Mini-Team-Projekt
Voraussetzungen
Zielgruppe: Softwareentwickler, Tester, Architekten, DevOps-Ingenieure, Product Owner
Die Teilnehmenden sollten über Folgendes verfügen:
- Ein funktionsfähiges Verständnis des Software-Lebenszyklus (SDLC)
- Praktische Erfahrung in mindestens einer Programmiersprache (z. B. Python, Java, JavaScript, C#, usw.)
- Vertrautheit mit:
- Schreiben und Lesen von User Stories oder Anforderungen
- Grundlegenden Prinzipien des Software-Designs
- Versionierung (z. B. Git)
- Schreiben und Ausführen von Unit Tests
- Ausführen oder Interpretieren von CI/CD-Pipelines
Dies ist ein Workshop von mittlerem bis fortgeschrittenem Niveau. Er eignet sich ideal für Fachleute, die bereits Teil von Software-Auslieferungsteams sind (Entwickler, Tester, DevOps-Ingenieure, Architekten, Product Owner).
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung