Návrh Školení
Úroveň 1: Terasa objevování – Tajemství požadavků
Mise: Použít LLM (ChatGPT) k extrakci strukturálních požadavků z nejasného vstupu.
Klíčové aktivity:
- Interpretace nejednoznačných produktových nápadů nebo požadavků na funkce
- Použití AI k:
- Generování users stories a kritérií pro přijetí
- Návrhu person a scénářů
-
Generování vizuálních artefaktů (např. jednoduchých diagramů s Mermaid nebo draw.io)
Výsledek: Strukturovaný backlog users stories + počáteční doménový model/vizuály
Úroveň 2: Kovárna designu – Architektův svitok
Mise: Použít AI k vytvoření a ověření plánů architektury.
Klíčové aktivity:
- Použití AI k:
- Návrhu architektonického stylu (monolit, mikroslužby, serverless)
- Generování vysokourovňových diagramů komponent a interakcí
- Nakreslení osnov třídkových/modulových struktur
-
Výzva volbám ostatních prostřednictvím recenzí designu mezi rovesníky
Výsledek: Ověřená architektura + kostra kódu
Úroveň 3: Aréna kódu – Kódexové kolotoče
Mise: Použít AI copiloty k implementaci funkcí a zlepšení kódu.
Klíčové aktivity:
- Použití GitHub Copilot nebo ChatGPT k implementaci funkčnosti
- Refaktorizace AI-generovaného kódu pro:
- Výkon
- Bezpečnost
- Održišitelnost
-
Vložení „code smells“ a spuštění výzev ke čištění kódu mezi rovesníky
Výsledek: Funkční, refaktorizovaná, AI-generovaná kódbáze
Úroveň 4: Bažina chyb – Otestujte tmu
Mise: Generovat a vylepšovat testy pomocí AI, poté hledat chyby v kódu ostatních.
Klíčové aktivity:
- Použití AI k generování:
- Unit testů
- Integračních testů
- Simulací okrajových případů
-
Výměna buggy kódu s dalším týmem pro debugování s pomocí AI
Výsledek: Testovací sada + hlášení chyb + opravy chyb
Úroveň 5: Portálové brány – Automatizační brána
Mise: Nastavit chytré CI/CD pipeline s pomocí AI.
Klíčové aktivity:
- Použití AI k:
- Definici workflow (např. GitHub Actions)
- Automatizaci kroků build, test a deploy
- Návrhu politik pro detekci anomalií/rollback
Výsledek: Pracující skript nebo tok CI/CD pipeline s pomocí AI
Úroveň 6: Hradba monitorování – Strážna věž logů
Mise: Analyzovat logy a použít ML k detekci anomalií a simulaci obnovy.
Klíčové aktivity:
- Analýza předpřipravených nebo generovaných logů
- Použití AI k:
- Identifikaci anomalií nebo trendů chyb
- Návrhu automatizovaných reakcí (např. self-healing skripty, upozornění)
- Vytvoření dashboardů nebo vizuálních shrnutí
Výsledek: Plán monitorování nebo simulovalý inteligentní mechanismus upozorňování
Závěrečná úroveň: Hrdinská aréna – Vytvořte nejlepši SDLC podporované AI
Mise: Týmy aplikují vše, co se naučily, k vytvoření funkční petle SDLC pro mini-projekt.
Klíčové aktivity:
- Výběr mini-projektu týmu (např. bug tracker, chatbot, mikroslužba)
- Aplikace AI v každé fázi SDLC:
- Požadavky, Návrh, Kód, Test, Nasazení, Monitorování
- Představení výsledků v krátké týmové demonstraci
Hlasování nebo hodnocení mezi rovesníky za nejjefektivnější pipeline poháněnou AI
Výsledek: Implementace SDLC s end-to-end vylepšením pomocí AI + prezentace týmu
Na konci tohoto workshopu budou účastníci schopni:
- Aplikovat generativní AI nástroje k extrakci a strukturování softwarových požadavků
- Generovat architektonické diagramy a ověřit návrhová rozhodnutí pomocí AI
- Použít AI copiloty k implementaci a refaktorizaci produktového kódu
- Automatizovat generování testů a provádět debugování s pomocí AI
- Navrhnout inteligentní CI/CD pipeline, které detegují a reagují na anomálie
- Analyzovat logy pomocí AI/ML nástrojů k identifikaci rizik a simulaci self-healing
- Demonstrovat plně vylepšenu SDLC pomocí mini-týmového projektu
Požadavky
Cílová skupina: Softwaroví vývojáři, testovatelé, architekti, DevOps inženýři, product owns
Účastníci by měli mít:
- Funkní porozumění životnímu cyklu vývoje softwaru (SDLC)
- Praktické zkušenosti s aspoň одним programovacím jazykem (např. Python, Java, JavaScript, C# apod.)
- Znalost následujících témat:
- Psaní a čtení users stories nebo požadavků
- Základní principy návrhu softwaru
- Správa verzí (např. Git)
- Psaní a spuštění unit testů
- Spouštění nebo interpretace CI/CD pipeline
Jedná se o workshop pro středně pokročilé až pokročilé. Ideální je pro profesionály, kteří již jsou součástí týmů pro dodávku softwaru (vývojáři, testovatelé, DevOps inženýři, architekti, product owns).
Reference (1)
Získal jsem znalosti týkající se knihovny Streamlit v Pythonu a určitě ji budu snažit použít k zlepšení aplikací ve svém týmu, které jsou vytvořeny v R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurz - GitHub Copilot for Developers
Přeloženo strojem