Responsible AI in agentic software developmentRAIASDCYCydrillCY-RAIASD1.0<ul>
<li>Verschiedene Aspekte der verantwortungsvollen AI verstehen</li><li>Wie man generative KI verantwortungsvoll in der Softwareentwicklung einsetzt</li><li>Schnelles Engineering für optimale Ergebnisse</li><li>Wie man generative KI im gesamten SDLC einsetzt</li><li>Die Herausforderungen bei der Verwendung von agentischem GenaI</li></ul><p>Allgemeine Entwicklung</p><p>Alle Personen, die an der Verwendung von agentenbasierten KI-Tools in der Softwareentwicklung beteiligt sind</p><h4>Eine kurze Geschichte der Künstlichen Intelligenz</h4><ul>
<li>Die Ursprünge der KI</li><li>Neuronale Netze und "Wahrscheinlichkeitsmaschinen"</li><li>Frühe ML-Codierungstools</li><li>Die KI-Codierrevolution der 2020er Jahre</li></ul><h4>Verantwortungsvolle AI</h4><ul>
<li>Was ist verantwortungsvolle KI?</li><li>Rechenschaftspflicht und Transparenz</li><li>Verringerung schädlicher Verzerrungen</li><li>Gültigkeit und Zuverlässigkeit</li><li>Demonstration - Experimentieren mit Gültigkeit und Zuverlässigkeit in Copilot</li><li>Erklärbarkeit und Interpretierbarkeit</li><li>Sicherheit, Schutz, Privatsphäre und Widerstandsfähigkeit</li><li>Sicherheit und verantwortungsvolle KI in der Softwareentwicklung</li></ul><h4>GenAI verantwortungsvoll in der Softwareentwicklung einsetzen</h4><ul>
<li>Grundlagen der LLM-Codeerzeugung</li><li>Grundlegende Bausteine und Konzepte</li><li>Eingabeaufforderung für Vorlagen</li><li>Systemaufforderungen zur KI-gesteuerten Codierung</li><li>Kann KI... Ihre Produktivität steigern?</li><li>Kann KI... die "langweiligen Teile" übernehmen?</li><li>Kann AI... gründlicher sein?</li><li>Überprüfung des generierten Codes - der Blackbox-Blues</li><li>Die Gefahr von Halluzinationen</li><li>Die Auswirkungen von GenAI auf die Programmierkenntnisse</li><li>Einige weitere langfristige Auswirkungen der Nutzung von GenAI</li><li>Wo die KI-Codegenerierung nicht gut abschneidet</li><li>Schnelles Engineering
<ul>
<li>Warum ist ein guter Souffleur so wichtig?</li><li>Schaffung des Kontexts für generative KI</li><li>Null-Schuss-, Ein-Schuss- und Wenig-Schuss-Eingabeaufforderung</li><li>Vernunftbasiertes Prompt-Engineering, Gedankenkette</li><li>Demonstration - Experimentieren mit Eingabeaufforderungen in Copilot</li><li>Durchsetzung und Einhaltung von Token-Limits</li><li>Aufforderungsmuster
<ul>
<li>Prompt-Muster und Prompt-Priming</li><li>Die 6 Kategorien von Aufforderungsmustern</li></ul></li><li>Einige weitere Souffleur-Ansätze
<ul>
<li>Least-to-Most und Self-Planning: Zerlegung komplexer Aufgaben</li><li>Demonstration - Aufgabenzerlegung mit Copilot</li><li>Einheitstests, TDD und GenAI</li><li>Demonstration - Testbasierte Codegenerierung mit Copilot</li></ul></li></ul></li><li>Integration von generativer KI in den SDLC
<ul>
<li>Einsatz von GenAI über die Codegenerierung hinaus</li><li>Einsatz von AI bei der Anforderungsspezifikation</li><li>Aufforderungsmuster für die Erfassung von Anforderungen</li><li>Prompt-Muster für den Softwareentwurf</li><li>Demonstration - Anforderungserfassung und API-Design mit Copilot</li><li>Einsatz von AI bei der Umsetzung</li><li>Prompt-Muster für die Umsetzung</li><li>Demonstration - Auffinden versteckter Annahmen mit Copilot</li><li>Einsatz von AI bei Tests und QA</li></ul></li><li>Agentische Software-Entwicklung
<ul>
<li>Intelligente Agenten und GenAI
<ul>
<li>Wie unterscheidet sich die agenturische Kodierung?</li><li>Das Modell-Kontext-Protokoll (MCP)</li><li>Fähigkeiten von MCP-Agenten</li><li>Agentische Integration in IDEs</li></ul></li><li>Agentischer Entwicklungsablauf
<ul>
<li>Code-to-Spec und Spec-to-Code mit GenAI</li><li>Automatisierter Gerüstbau</li><li>Demonstration - Agentisches Gerüst mit Copilot</li><li>Einrichten der Laufzeitumgebung</li><li>Demonstration - Einrichtung der Umgebung mit Copilot</li><li>Inkrementelle Entwicklung</li><li>Demonstration - Inkrementelle Entwicklung mit Copilot</li><li>Die Rolle von MCP in Dev(Sec)Ops</li><li>Demonstration - Einsatz von MCP in DevOps mit Copilot</li></ul></li><li>Fallstricke und bewährte Verfahren
<ul>
<li>"Vibe Coding" und seine Auswirkungen</li><li>Technische Probleme mit MCP</li><li>Sicherheitsaspekte der agentengestützten Entwicklung</li><li>Die Auswirkungen von MCP auf die Angriffsfläche</li><li>MCP-spezifische Angriffsvektoren</li><li>Demonstration - Angriff auf agentischen Copiloten</li><li>Fallstudie - Datenbankleck über Supabase MCP</li><li>Halluzinationen und "agentische Todesspiralen</li><li>Tokengrenzen und Kontext</li><li>Kontextverschlechterung bei sehr grosser Tokenanzahl</li><li>Prompt-Engineering vs. Kontext-Engineering</li><li>Context Engineering aus der Sicht eines Entwicklers</li><li>Beispiele für Kontextdokumente</li></ul></li></ul></li></ul><h4>Zusammenfassung und Schlussfolgerungen</h4><ul>
<li>Verantwortungsvolle KI-Prinzipien in der Softwareentwicklung</li><li>Generative AI - Ressourcen und zusätzliche Anleitungen</li></ul><ul>
<li>Eine kurze Geschichte der Künstlichen Intelligenz</li><li>Verantwortungsvolle AI</li><li>GenAI verantwortungsvoll in der Softwareentwicklung einsetzen</li><li>Zusammenfassung und Schlussfolgerungen</li></ul><p>Eine unverzichtbare Grundlage für alle, die agentenbasierte generative KI verstehen und verantwortungsvoll in ihren Softwareentwicklungsprojekten einsetzen wollen. Aufbauend auf diesen Grundlagen und abhängig vom Technologie-Stack empfehlen wir, mit einem der Generative AI-Kurse fortzufahren - siehe Agentische Softwareentwicklung mit generativer KI in C++/Java/C#/Python. Für diejenigen, die an Lösungen für maschinelles Lernen arbeiten, bietet der umfassende 4-tägige Kurs Sicherheit bei maschinellem Lernen einen natürlichen nächsten Schritt.</p><p><em>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/en/course/cydrill-raiasd"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a></span>.</em></p>- Verschiedene Aspekte der verantwortungsvollen AI verstehen
- Wie man generative KI verantwortungsvoll in der Softwareentwicklung einsetzt
- Schnelles Engineering für optimale Ergebnisse
- Wie man generative KI im gesamten SDLC einsetzt
- Die Herausforderungen bei der Verwendung von agentischem GenaIAllgemeine EntwicklungAlle Personen, die an der Verwendung von agentenbasierten KI-Tools in der Softwareentwicklung beteiligt sindEine kurze Geschichte der Künstlichen Intelligenz
- Die Ursprünge der KI
- Neuronale Netze und "Wahrscheinlichkeitsmaschinen"
- Frühe ML-Codierungstools
- Die KI-Codierrevolution der 2020er Jahre
Verantwortungsvolle AI
- Was ist verantwortungsvolle KI?
- Rechenschaftspflicht und Transparenz
- Verringerung schädlicher Verzerrungen
- Gültigkeit und Zuverlässigkeit
- Demonstration - Experimentieren mit Gültigkeit und Zuverlässigkeit in Copilot
- Erklärbarkeit und Interpretierbarkeit
- Sicherheit, Schutz, Privatsphäre und Widerstandsfähigkeit
- Sicherheit und verantwortungsvolle KI in der Softwareentwicklung
GenAI verantwortungsvoll in der Softwareentwicklung einsetzen
- Grundlagen der LLM-Codeerzeugung
- Grundlegende Bausteine und Konzepte
- Eingabeaufforderung für Vorlagen
- Systemaufforderungen zur KI-gesteuerten Codierung
- Kann KI... Ihre Produktivität steigern?
- Kann KI... die "langweiligen Teile" übernehmen?
- Kann AI... gründlicher sein?
- Überprüfung des generierten Codes - der Blackbox-Blues
- Die Gefahr von Halluzinationen
- Die Auswirkungen von GenAI auf die Programmierkenntnisse
- Einige weitere langfristige Auswirkungen der Nutzung von GenAI
- Wo die KI-Codegenerierung nicht gut abschneidet
- Schnelles Engineering
- Warum ist ein guter Souffleur so wichtig?
- Schaffung des Kontexts für generative KI
- Null-Schuss-, Ein-Schuss- und Wenig-Schuss-Eingabeaufforderung
- Vernunftbasiertes Prompt-Engineering, Gedankenkette
- Demonstration - Experimentieren mit Eingabeaufforderungen in Copilot
- Durchsetzung und Einhaltung von Token-Limits
- Aufforderungsmuster
- Prompt-Muster und Prompt-Priming
- Die 6 Kategorien von Aufforderungsmustern
- Einige weitere Souffleur-Ansätze
- Least-to-Most und Self-Planning: Zerlegung komplexer Aufgaben
- Demonstration - Aufgabenzerlegung mit Copilot
- Einheitstests, TDD und GenAI
- Demonstration - Testbasierte Codegenerierung mit Copilot
- Integration von generativer KI in den SDLC
- Einsatz von GenAI über die Codegenerierung hinaus
- Einsatz von AI bei der Anforderungsspezifikation
- Aufforderungsmuster für die Erfassung von Anforderungen
- Prompt-Muster für den Softwareentwurf
- Demonstration - Anforderungserfassung und API-Design mit Copilot
- Einsatz von AI bei der Umsetzung
- Prompt-Muster für die Umsetzung
- Demonstration - Auffinden versteckter Annahmen mit Copilot
- Einsatz von AI bei Tests und QA
- Agentische Software-Entwicklung
- Intelligente Agenten und GenAI
- Wie unterscheidet sich die agenturische Kodierung?
- Das Modell-Kontext-Protokoll (MCP)
- Fähigkeiten von MCP-Agenten
- Agentische Integration in IDEs
- Agentischer Entwicklungsablauf
- Code-to-Spec und Spec-to-Code mit GenAI
- Automatisierter Gerüstbau
- Demonstration - Agentisches Gerüst mit Copilot
- Einrichten der Laufzeitumgebung
- Demonstration - Einrichtung der Umgebung mit Copilot
- Inkrementelle Entwicklung
- Demonstration - Inkrementelle Entwicklung mit Copilot
- Die Rolle von MCP in Dev(Sec)Ops
- Demonstration - Einsatz von MCP in DevOps mit Copilot
- Fallstricke und bewährte Verfahren
- "Vibe Coding" und seine Auswirkungen
- Technische Probleme mit MCP
- Sicherheitsaspekte der agentengestützten Entwicklung
- Die Auswirkungen von MCP auf die Angriffsfläche
- MCP-spezifische Angriffsvektoren
- Demonstration - Angriff auf agentischen Copiloten
- Fallstudie - Datenbankleck über Supabase MCP
- Halluzinationen und "agentische Todesspiralen
- Tokengrenzen und Kontext
- Kontextverschlechterung bei sehr grosser Tokenanzahl
- Prompt-Engineering vs. Kontext-Engineering
- Context Engineering aus der Sicht eines Entwicklers
- Beispiele für Kontextdokumente
Zusammenfassung und Schlussfolgerungen
- Verantwortungsvolle KI-Prinzipien in der Softwareentwicklung
- Generative AI - Ressourcen und zusätzliche Anleitungen- Eine kurze Geschichte der Künstlichen Intelligenz
- Verantwortungsvolle AI
- GenAI verantwortungsvoll in der Softwareentwicklung einsetzen
- Zusammenfassung und Schlussfolgerungen
Eine unverzichtbare Grundlage für alle, die agentenbasierte generative KI verstehen und verantwortungsvoll in ihren Softwareentwicklungsprojekten einsetzen wollen. Aufbauend auf diesen Grundlagen und abhängig vom Technologie-Stack empfehlen wir, mit einem der Generative AI-Kurse fortzufahren - siehe Agentische Softwareentwicklung mit generativer KI in C++/Java/C#/Python. Für diejenigen, die an Lösungen für maschinelles Lernen arbeiten, bietet der umfassende 4-tägige Kurs Sicherheit bei maschinellem Lernen einen natürlichen nächsten Schritt.Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag750.00750.00750.00750.00750.00