Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Pochopení kódu pomocí LLM
- Strategie vytváření promptů pro vysvětlování a analýzu kódu
- Práce se zcela neznámými repozitáři a projekty
- Analýza toků řízení, závislostí a celkové struktury systému
Refaktorování kódu pro větší udržovatelnost
- Identifikace problematických konstrukcí, nevyužitého kódu a špatných postupů programování
- Přestavba funkcí a modulů tak, aby byly přehlednější a lépe pochopitelné
- Využití LLM k navrhování vhodnějších konvencí pojmenovávání a zlepšení celkového designu systému
Zvýšení výkonnosti a spolehlivosti softwaru
- Rozpoznávání neefektivních řešení a potenciálních bezpečnostních rizik s pomocí umělé inteligence
- Doporučování rychlejších algoritmů či lepších softwarových knihoven
- Refaktorování operací vstupu/výstupu, databázových dotazů a volání API
Automatizace tvorby dokumentace kódu
- Generování komentářů pod funkcemi či metodami i jejich shrnutí
- Tvorba a aktualizace souborů README na základě struktury kódu
- Vytváření dokumentace typu Swagger nebo OpenAPI s využitím podpory LLM
Integrace do softwarových nástrojů a pracovních postupů
- Používání rozšíření pro VS Code a nástroje Copilot Labs k tvorbě dokumentace
- Aplikování modelů GPT či Claude v pre-commit hookech Gitu
- Integrace s procesy CI pro automatizovanou kontrolu a tvorbu dokumentace
Pracovní metody s historickými i vícejazyčnými základnami kódu
- Reverzní inženýrství starších nebo nedokumentovaných systémů
- Refaktorování napříč různými jazyky (např. z Pythonu na TypeScript)
- Příklady reálných situací a ukázky spolupráce pomocí AI
Etika, kontrola kvality a procesy posuzování změn
- Ověřování přesnosti změn navržených umělou inteligencí a prevence vzniku falešných údajů
- Osvědčené postupy vzájemného posuzování, když se využívají LLM
- Zajištění reprodukovatelnosti výsledků a dodržení stanovených kódovacích standardů
Shrnutí a další kroky
Požadavky
- Zkušenosti s programovacími jazyky jako Python, Java nebo JavaScript
- Orientace v softwarové architektuře a postupech kontroly kódu
- Základní znalost fungování velkých jazykových modelů
Cílová skupina
- Backendoví vývojáři
- DevOps týmy
- Seniorní programátoři a vedoucí techničtí specialisté
14 Hodiny
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