Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Codeverständnis mit LLMs
- Prompting-Strategien zur Code-Erläuterung und -Durchlauf
- Umgang mit unbekannten Codebasen und Projekten
- Analyse der Kontrollfluss-, Abhängigkeits- und Architekturstruktur
Refaktorierung von Code für die Wartbarkeit
- Identifikation von «Code Smells», totem Code und Anti-Patterns
- Neustrukturierung von Funktionen und Modulen zur Klarheit
- Einsatz von LLMs für Vorschläge zu Namenskonventionen und Designverbesserungen
Verbesserung der Leistung und Zuverlässigkeit
- Erkennung von Ineffizienzen und Sicherheitsrisiken mit KI-Unterstützung
- Vorschläge für effizientere Algorithmen oder Bibliotheken
- Refaktorierung von I/O-Operationen, Datenbankabfragen und API-Aufrufen
Automatisierung der Codedokumentation
- Generierung von Funktions-/Methodenebenen-Kommentaren und Zusammenfassungen
- Erstellung und Aktualisierung von README-Dateien aus Codebasen
- Erstellung von Swagger/OpenAPI-Dokumenten mit LLM-Unterstützung
Integration in Toolchains
- Nutzung von VS Code-Erweiterungen und Copilot Labs für Dokumentationszwecke
- Einbindung von GPT oder Claude in Git Pre-Commit-Hooks
- CI-Pipeline-Integration zur Dokumentation und zum Linting
Umgang mit Legacy- und Mehrsprachigen Codebasen
- Reverse Engineering älterer oder nicht dokumentierter Systeme
- Sprachübergreifende Refaktorierung (z. B. von Python nach TypeScript)
- Fallstudien und Demos zum «Pair-AI-Programming»
Ethik, Qualitätssicherung und Review
- Validierung KI-generierter Änderungen und Vermeidung von Halluzinationen
- Best Practices für Peer Reviews beim Einsatz von LLMs
- Sicherstellung der Reproduzierbarkeit und Einhaltung von Coding-Standards
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit Programmiersprachen wie Python, Java oder JavaScript
- Vertrautheit mit Softwarearchitektur und Code-Review-Prozessen
- Grundlegendes Verständnis der Funktionsweise grosser Sprachmodelle
Zielgruppe
- Backend-Ingenieure
- DevOps-Teams
- Erfahrene Entwickler und Tech-Leads
14 Stunden
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