Εξέλιξη Κομματιού
Επίπεδο 1: Το Μπουντρούμι της Ανακάλυψης – Τα Μυστικά των Απαιτήσεων
Αποστολή: Χρησιμοποιήστε μοντέλα LLM (ChatGPT) για να εξάγετε δομημένες απαιτήσεις από ασαφή είσοδο.
Βασικές Δραστηριότητες:
- Ερμηνεύστε ασαφείς ιδέες προϊόντος ή αιτήματα χαρακτηριστικών
-
Χρησιμοποιήστε την ΤΝ για να:
- Δημιουργήστε ιστορίες χρήστη και κριτήρια αποδοχής
- Προτείνετε πρόσωπα και σενάρια
-
Δημιουργήστε οπτικά τεχνουργήματα (π.χ. απλά διαγράμματα με Mermaid ή draw.io)
Αποτέλεσμα: Δομημένο σύνολο ιστοριών χρήστη + αρχικό μοντέλο τομέα/οπτικά μέσα
Επίπεδο 2: Το Σφυρηλάτηση Σχεδιασμού – Ο Πάπυρος του Αρχιτέκτονα
Αποστολή: Χρησιμοποιήστε την ΤΝ για να δημιουργήσετε και να επικυρώσετε σχέδια αρχιτεκτονικής.
Βασικές Δραστηριότητες:
-
Χρησιμοποιήστε την ΤΝ για να:
- Προτείνετε αρχιτεκτονικό στυλ (μονολιθικό, μικροϋπηρεσίες, χωρίς διακομιστή)
- Δημιουργήστε διαγράμματα υψηλού επιπέδου εξαρτημάτων και αλληλεπιδράσεων
- Δημιουργήστε σκαλωσιές δομών κλάσεων/ενοτήτων
-
Αμφισβητήστε τις επιλογές των άλλων μέσω επανεξετάσεων σχεδιασμού από ομολόγους
Αποτέλεσμα: Επικυρωμένη αρχιτεκτονική + σκελετός κώδικα
Επίπεδο 3: Η Αρένα του Κώδικα – Το Δοκιμαστήριο του Codex
Αποστολή: Χρησιμοποιήστε συνεργάτες ΤΝ για να υλοποιήσετε λειτουργίες και να βελτιώσετε τον κώδικα.
Βασικές Δραστηριότητες:
- Χρησιμοποιήστε το GitHub Copilot ή το ChatGPT για να υλοποιήσετε λειτουργικότητα
-
Αναδιαμορφώστε τον κώδικα που έχει παραχθεί από ΤΝ για:
- Απόδοση
- Ασφάλεια
- Συντηρησιμότητα
-
Εισάγετε “code smells” και εκτελέστε προκλήσεις καθαρισμού από ομολόγους
Αποτέλεσμα: Λειτουργική, αναδιαμορφωμένη, βάση κώδικα παραγόμενη από ΤΝ
Επίπεδο 4: Ο Βάλτος των Σφαλμάτων – Δοκιμάστε το Σκοτάδι
Αποστολή: Δημιουργήστε και βελτιώστε δοκιμές με ΤΝ και, στη συνέχεια, βρείτε σφάλματα στον κώδικα άλλων.
Βασικές Δραστηριότητες:
-
Χρησιμοποιήστε την ΤΝ για να δημιουργήσετε:
- Μοναδιαίες δοκιμές
- Δοκιμές ενσωμάτωσης
- Προσομοιώσεις ακραίων περιπτώσεων
-
Ανταλλάξτε κώδικα με σφάλματα με άλλη ομάδα για εκσφαλμάτωση υποβοηθούμενη από ΤΝ
Αποτέλεσμα: Σουίτα δοκιμών + αναφορά σφαλμάτων + διορθώσεις σφαλμάτων
Επίπεδο 5: Οι Πύλες των Αγωγών – Η Πύλη του Αυτόματου
Αποστολή: Εγκαταστήστε έξυπνες γραμμές CI/CD με τη βοήθεια της ΤΝ.
Βασικές Δραστηριότητες:
-
Χρησιμοποιήστε την ΤΝ για να:
- Ορίστε ροές εργασίας (π.χ. GitHub Actions)
- Αυτοματοποιήστε βήματα κατασκευής, δοκιμής και ανάπτυξης
-
Προτείνετε πολιτικές ανίχνευσης ανωμαλιών/επαναφοράς
Αποτέλεσμα: Σενάριο ή ροή γραμμής CI/CD που λειτουργεί και υποστηρίζεται από ΤΝ
Επίπεδο 6: Η Ακρόπολη της Παρακολούθησης – Ο Σκοπός των Καταγραφών
Αποστολή: Αναλύστε καταγραφές και χρησιμοποιήστε τη μηχανική μάθηση για να ανιχνεύσετε ανωμαλίες και να προσομοιώσετε την ανάκτηση.
Βασικές Δραστηριότητες:
- Αναλύστε προ-συμπληρωμένες ή παραγόμενες καταγραφές
-
Χρησιμοποιήστε την ΤΝ για να:
- Αναγνωρίστε ανωμαλίες ή τάσεις σφαλμάτων
- Προτείνετε αυτοματοποιημένες απαντήσεις (π.χ. σενάρια αυτο-επιδιόρθωσης, ειδοποιήσεις)
-
Δημιουργήστε πίνακες ελέγχου ή οπτικές περιλήψεις
Αποτέλεσμα: Σχέδιο παρακολούθησης ή μηχανισμός έξυπνης ειδοποίησης με προσομοίωση
Τελικό Επίπεδο: Η Αρένα του Ήρωα – Δημιουργήστε τον Απόλυτο SDLC με Υποστήριξη AI
Αποστολή: Οι ομάδες εφαρμόζουν όλα όσα έμαθαν για να δημιουργήσουν έναν λειτουργικό βρόχο SDLC για ένα μίνι-έργο.
Βασικές Δραστηριότητες:
- Επιλέξτε ένα μίνι-έργο ομάδας (π.χ. ανιχνευτής σφαλμάτων, chatbot, μικροϋπηρεσία)
-
Εφαρμόστε την ΤΝ σε κάθε φάση του SDLC:
- Απαιτήσεις, Σχεδιασμός, Κώδικας, Δοκιμές, Ανάπτυξη, Παρακολούθηση
- Παρουσιάστε τα αποτελέσματα σε μια σύντομη επίδειξη ομάδας
Ψηφοφορία από ομολόγους ή κρίση για την πιο αποτελεσματική γραμμή ενεργειών με υποστήριξη AI
Αποτέλεσμα: Υλοποίηση SDLC από άκρο σε άκρο με ενίσχυση AI + παρουσίαση ομάδας
Με την ολοκλήρωση αυτού του εργαστηρίου, οι συμμετέχοντες θα είναι σε θέση να:
- Εφαρμόζουν γενετικά εργαλεία ΤΝ για την εξαγωγή και δόμηση απαιτήσεων λογισμικού
- Δημιουργούν αρχιτεκτονικά διαγράμματα και να επικυρώνουν επιλογές σχεδιασμού χρησιμοποιώντας ΤΝ
- Χρησιμοποιούν συνεργάτες ΤΝ για την υλοποίηση και αναδιαμόρφωση κώδικα παραγωγής
- Αυτοματοποιούν τη δημιουργία δοκιμών και να εκτελούν εκσφαλμάτωση με τη βοήθεια ΤΝ
- Σχεδιάζουν έξυπνες γραμμές CI/CD που ανιχνεύουν και αντιδρούν σε ανωμαλίες
- Αναλύουν καταγραφές με εργαλεία ΤΝ/ΜΜ για τον εντοπισμό κινδύνων και την προσομοίωση αυτο-επιδιόρθωσης
- Παρουσιάζουν έναν πλήρως ενισχυμένο με ΤΝ SDLC μέσω ενός μίνι ομαδικού έργου
Απαιτήσεις
Κοινό: Προγραμματιστές λογισμικού, δοκιμαστές, αρχιτέκτονες, μηχανικοί DevOps, ιδιοκτήτες προϊόντος
Οι συμμετέχοντες θα πρέπει να διαθέτουν:
- Μια λειτουργική κατανόηση του Κύκλου Ανάπτυξης Λογισμικού (SDLC)
- Πρακτική εμπειρία σε τουλάχιστον μία γλώσσα προγραμματισμού (π.χ. Python, Java, JavaScript, C#, κλπ.)
-
Εξοικείωση με:
- Συγγραφή και ανάγνωση ιστοριών χρήστη ή απαιτήσεων
- Βασικές αρχές σχεδιασμού λογισμικού
- Έλεγχος έκδοσης (π.χ. Git)
- Συγγραφή και εκτέλεση μοναδιαίων δοκιμών
- Εκτέλεση ή ερμηνεία αγωγών CI/CD
Αυτό είναι ένα μεσαίου έως προχωρημένου επιπέδου εργαστήριο. Είναι ιδανικό για επαγγελματίες που ήδη αποτελούν μέρος ομάδων παράδοσης λογισμικού (προγραμματιστές, δοκιμαστές, μηχανικοί DevOps, αρχιτέκτονες, ιδιοκτήτες προϊόντος).
Σχόλια (1)
Άρχισα να κατανοώ τη βιβλιοθήκη Streamlit στο Python και σίγουρα θα προσπαθήσω να τη χρησιμοποιήσω για να βελτιώσω εφαρμογές που αναπτύσσονται στο ομάδα μου με το R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Κομμάτι - GitHub Copilot for Developers
Μηχανική Μετάφραση