Der Abstract:

Entwickler*innen können von KI-Tools profitieren – aber wie klappt das jenseits von Big Tech? Der Vortrag gibt eine Übersicht zu den spannendsten freien KI-Lösungen und deren Einsatz in der Softwareentwicklung.

KI hat die Entwicklungspraxis bereits verändert. KI kann Code generieren und wird auch produktiv in der Entwicklung eingesetzt. Doch meist sind es proprietäre Lösungen, die zum Einsatz kommen, z.B. Cursor oder Windsurf. Dabei gibt es mittlerweile eine Fülle an Open-Source-Angeboten, die es ermöglichen, auch ohne Datenabfluss in die Cloud produktiv zu sein.

Im Talk wurden folgende Themen angesprochen:

• Die spannendsten Open-Source-KI-Modelle und ihre Communitys
• Integration in den Workflow: Editor-Plugins, Terminals, Chat-Assistenten
• Erfahrungen aus der Praxis: Vorteile, Herausforderungen, Tipps zur Einrichtung und Anwendung von KI-Code Assistenten
• Q&A: Wo steht die Community, was fehlt noch? Perfekt für alle, die neugierig sind und ihre Unabhängigkeit als Entwickler*in bewahren wollen.

Wie immer werden die Talks auf der Froscon aufgezeichnet und der Allgemeinheit zur Verfügung gestellt. Daher kannst du den Talk hier ansehen.

Licensed to the public under http://creativecommons.org/licenses/by/4.0

The post Nachlese: Froscon 20 Vortrag “AI-First Softwareentwicklung – aber Open Source” appeared first on Patrick Steinert.

Der bekannte Denker Günther Dück sprach einst von der „Hybris-vs.-Hype“-Kurve: Zuerst wird eine neue Technologie überhyped, dann folgt das Tal der Ernüchterung. Genau dort, wo echte Produktivität entsteht, treten oft die Skeptiker auf den Plan: „Ich hab’s doch gesagt, das bringt alles nichts.“ Doch gerade an diesem Punkt zeigt sich, wer den nächsten Schritt geht – und wer zurückbleibt.

Denn auch wenn KI nicht perfekt ist, ist sie bereits hoch relevant. Perfektion ist keine Voraussetzung für Nutzen. Wer sie heute einsetzt, automatisiert Prozesse, beschleunigt Workflows und schafft Raum für Kreativität. Wer sie ignoriert, bleibt zurück.

Es geht nicht darum, KI zu verklären. Sie wird nicht jeden Menschen ersetzen und auch nicht jede Software automatisch besser machen. Aber sie ist ein mächtiges Werkzeug – und in der Softwareentwicklung in den richtigen Händen ein echter Produktivitäts-Booster. Der Unterschied liegt in der Herangehensweise: Wer technische Kompetenz mit strategischem Denken kombiniert, wer seine Rolle im Entwicklungsprozess anpasst und erkennt, welche Aufgaben sich sinnvoll an die Werkzeuge delegieren lassen, kann mit KI gezielt Softwareprojekte beschleunigen, sogar die Qualität erhöhen und neue Potenziale heben.

Ich erinnere mich gut an die We Are Developers Konferenz 2023 in Berlin. Damals präsentierte Thomas Dohmke, CEO von GitHub, GitHub Copilot. Mein erster Gedanke: “Ganz nett, für kleinere Funktionen sicher hilfreich.” Revolutionär? Wohl kaum. Doch mit der Zeit wurde klar: Das ist kein besserer Code-Vervollständiger, das ist eine neue Art zu arbeiten. Heute sehe ich, wie Tools selbstständig API-Debugging durchführen, Datenbankabfragen erzeugen oder Migrationsskripte vorbereiten – ohne menschliche Hilfe. Das ist mehr als Automatisierung. Das ist ein Paradigmenwechsel.

Unsere Rolle als Entwickler verändert sich. Wir geben der Maschine Aufgaben, denken in Zielen, nicht mehr in jedem einzelnen Befehl. KI wird zum verlässlichen Partner, der rund um die Uhr unterstützt. Wer das versteht, nutzt KI nicht als Gimmick, sondern als strategisches Werkzeug.

Wie also anfangen? Ganz einfach: Tools ausprobieren. Frei verfügbare Versionen testen oder auch mal 10, 20 Euro in einen Test-Monat investieren. Mit privaten Projekten starten, nicht selbst überlegen, sondern dem KI-Werkzeug die Aufgabe geben, Erfahrungen sammeln. Es muss nicht perfekt sein – entscheidend ist, zu lernen. Ebenso, wie ich ein neues Framework oder eine Sprache lerne.

Wie bleibt man auf dem laufenden? Es gibt eine Flut an Informationen. Aber niemand muss alles mitbekommen. Es reicht, ein paar gezielte Quellen zu verfolgen – sei es ein YouTube-Kanal, ein LinkedIn-Newsletter oder ein Blog. Schritt für Schritt entsteht so eine Routine, wie beim Lernen eines neuen Frameworks. Kleine Projekte, Tests, Erkenntnisse. Und plötzlich wird klar, wie viel möglich ist.

Das Neue ist da. Noch nicht perfekt, aber mächtig. Es wächst. Und es wird bleiben.

Jetzt ist der Moment, sich damit auseinanderzusetzen. Jetzt ist die Zeit, zu lernen.

Denn wer heute beginnt, profitiert morgen. Wer aber weiter auf der Schreibmaschine tippt, während andere schon Word und KI nutzen, wird den Anschluss verlieren.

The post KI in der Softwareentwicklung: Zwischen Hype und echter Relevanz appeared first on Patrick Steinert.

KI ist im E-Commerce ein alter Hut. Recommendations, Prognosen, Kundensegmentierung – die Use Cases gibt es schon ewig. Die neuen AI-Technologien sind dennoch ein Game-Changer und verändern den Digital Commerce, da bin ich sicher. Es gibt aber Unternehmen, die sind besser vorbereitet als andere und so wird sich schnell zeigen, wer die Möglichkeiten als Vorteil einsetzen kann – und wer nicht.

The post Neue Horizonte im E-Commerce: Wie KI die Spielregeln verändert appeared first on Patrick Steinert.

Das Thema KI ist ja jetzt nicht neu und in der Medienwelt gibt es ja viel KI Potential: Medienanalyse, Recommendations, Predictions… dennoch sind jetzt viele neugierig auf die Möglichkeiten insbesondere zur Automatisierung von Prozessen. Und da helfen die neuen KI Modelle tatsächlich besser, weil die Qualität einfach besser ist!

The post KI in der Digital Multimedia Supply Chain appeared first on Patrick Steinert.

Fachkräftemangel ist real! Warum also sind Softwareingenieure so oft mit stupiden Aufgaben betreut und entwickeln einen CRUD-Microservice nach dem anderen? In diesem Impulsvortrag gehe ich auf mögliche Auswege aus der Misere ein und bewerte diese aus Sicht der Kunden und Dienstleistern wie uns.

Please accept YouTube cookies to play this video. By accepting you will be accessing content from YouTube, a service provided by an external third party.

YouTube privacy policy

If you accept this notice, your choice will be saved and the page will refresh.

Accept YouTube Content

The post No-Code, LowCode und die KI als Programmierer appeared first on Patrick Steinert.

Tip 1: Use Default Slot Types

Let’s start with a simple topic. If possible, use the provided slot types from Amazon, like Amazon.FOOD or AMAZON.NUMBER. These Slots have a huge set of data in the background. They are already optimized for a good NLP understanding. Doing this on your own is a lot of work and fine-tuning the model. Save yourself many hours and use what Amazon provides you.

Tip 2: Use a proxy for local development

There are different ways to implement the logic for the service: AWS Lambda or (self-hosted) endpoint services. If you develop endpoints services, you need to redirect the requests from the Alexa skill to the development instance, usually running on the local machine. An important thing is, the service needs to provide a valid TLS certificate. The easiest way to get it running is a web-proxy system like ngrok. Ngrok routes requests via a public web URL to your local development instance. And the best thing is, it has an option to provide a valid Wildcard-TLS-Endpoint which will be accepted by Alexa. This saves you a heck of time to set up anything equivalent with DynDNS and creating certificates.

Tip 3: Answer not only use-case questions

During the development of Alexa skills, you work a lot through the questions (utterances) you have in mind with regard to the use case. But, think about your users. They can just interact with your app by asking questions. They can not click through a mobile app or website to search and find things they need. It’s important to be prepared for simple and general questions such as:

• “What are the opening hours?”
• “What is the address of a store?”
• “What is the maximum of items I can order?”

Think about how your customer will ask questions. Ask your friends to try the skill and listen to their natural type of questions and commands. You can also log questions in the FallbackIntent to find out what real people say.

Tip 4: Test Alexa Skill dialogue with many people

This tip continues the thoughts of the previous. Many people will formulate questions and commands differently. Since the skill is usually used by many people, you need to be prepared for different types of utterances. Add as many sample utterances as you can to improve the user experience for the skill.

These 4 tips will improve the user experience of your Alexa skill. Do you have any further tips? Let me know in the comments.

The post 4 Tips for development of Alexa Skills appeared first on Patrick Steinert.

In IoT Use Cases werden oft Daten verarbeitet. Ab einer gewissen Menge an Daten gibt es einen nicht mehr zu erfüllenden Zielkonflikt zwischen Real-Time-Anforderungen und der Genauigkeit. Dieser lässt sich durch die Lambda-Architektur auflösen und in zwei Layern getrennt erfüllen. In SaaS Plattformen, wie der CumulocityIoT, stehen dazu oft Mittel wie Complex Event Processing (CEP) Engines und REST-Schnittstellen zur Verfügung. Im Falle der CumulocityIoT Plattform läuft die Stream Verarbeitung über die CEP Engine Apama. Es gibt jedoch ein paar Dinge für eine stabile und effektive Verarbeitung zu beachten. Daher hier meine 6 Tipps zu IoT Analytics.

1. Daten komplett in-memory anstatt über Datenbanken und Schnittstellen

Bei der Verarbeitung von Daten sollten Zugriffe über HTTP Schnittstellen oder die Datenbank reduziert werden. Diese Zugriffe sind relativ zeitintensiv und blockieren die Verarbeitung. Solche Calls sollten nur bei der Initialisierung oder gelegentlich genutzt werden. Die Datenhaltung sollte besser komplett in-memory erfolgen.

2. Zu hoher Memeory Verbrauch

Es gibt einige Mechanismen, die den Speicherverbrauch nach oben treiben. Teilweise sogar exponentiell. Hier die Top 3:

1. lange onWait Zeiten
2. spawn-Methode, zum Klonen des Kontextes.
3. Modularisierung und Verkettung von Regeln

3. Mind the Gap – Vorbereitung von Up- und Downtimes

Durch Updates, Deployments oder ungeplante Downtimes entstehen Lücken in der Verarbeitung. Diese müssen durch andere Tools im Batch Layer aufgefangen werden. Zudem kann es sein, dass durch neue Parameter oder Fehler eine Neuberechnung notwendig wird. Auch dazu sollte man Tools auf dem Batch Layer, wie Microservices, nutzen.

4. Batch Layer – Es benötigt eine Queue und Statusinformationen

Batch Layer Jobs laufen Stunden und in der Regel parallel. Durch die hohe Last wird das System vermutlich überfordert. Dadurch entstehen Lücken bzw. unvollständige Daten. Wenn dann auch noch Bugs dazu kommen, wird das Chaos perfekt. Es sollte also eine gute Job-Steuerung verwendet werden, um Queues zu verwalten und Status zu erhalten.

5. Tracebility – Wer hat hier eigentlich wann was berechnet?

Hat man nun mehrere Berechnungsalgorithmen in unterschiedlichen Versionen über die Daten geschickt, ist in Zweifelsfall nicht mehr nachzuvollziehen, wodurch die Daten berechnet wurden. Daher sollten auch Metadaten zu den berechneten Daten gespeichert werden. Das erhöht zwar den Gesamtstorage, ist aber im Endeffekt effizienter.

6. Datenformate ändern

Prinzipiell ist es gut, schnell vom Prototypen in die Realität zu kommen. In Hinsicht auf die Datenformate ist es jedoch zu empfehlen, die Skalierungsstufen mit Bedacht zu wählen. Denn die Datenformate, sofern sie nur per REST o.ä. zugänglich sind, sind nur sehr Aufwändig zu ändern. Das resultiert dann entweder in dutzenden Formaten oder in langwierigen Migrationen. Daher sollte, sobald die Skalierung über eine Erprobungsphase hinaus stattfindet, das Datenmodell gut abgehangen sein.

The post 6 Tipps zu IoT Analytics mit der CumulocityIoT Plattform appeared first on Patrick Steinert.

The last two days I was at the Predictive Analytics World Business Conference in Berlin. The event happened inside the Estrel Hotel, a nice and good managed location. In the talks of day one, little was in for me. The deep dive tracks were too deep for me. The use case tracks too superficial. At least it looks like presenting companies are using AI/ML in production. This is in contrast to the Industrial Data Science Days in Dortmund earlier this year, where Companies are using AI/ML in scientific PoCs, far from production.

At day two, the talks were much more interesting. My personal highlight was the talk (with the very long title) “Data Science Development Lifecycle – Everyone Talks About It, Nobody Really Knows How to Do It and Everyone Thinks Everyone Else Is Doing It” by Christian Lindenlaub und René Traue. They summarized their learnings from using Scrum and other methods in Machine Learning projects. They showed how to combine different agile methodologies to run successful machine learning + production software projects. Very inspiring for our own projects too.

The following talk “How to Integrate Machine Learning into Serverless Workflows” delivered also some helpful insights for some of Tarent’s current projects.

In the end, a good conference with some points I took home. See you next year? I don’t know yet. We will see.

The post Review of the Predictive Analytics World Business Conference appeared first on Patrick Steinert.

Want to learn about the Internet of Things and how to work with a sensor? I did too! I’ve been experimenting with the “Internet of Things” (IoT) since 2014 and have learned about the challenges with my sensor project: the AirQuality Lab. In the beginning, I just wanted to create something and work with the components. The scope of my side project was to read values from a sensor, transfer it to a thing-backend and then learning from the data. This post starts with the basic setup of the Thing and the following posts will cover further points.

After finishing a project in late 2014, I played around to learn a bit more about the Internet of Things (IoT) stuff for my next project. So, it was (and is) proposed, that “everything is connected in 2020” and I had to think about a product, product strategy and technical implementation in this area. Our thoughts about a domain model for IoT at this time was, to reduce everything to a source and a drain. Well, as hardware is cheap (but this is not all) I bought a Raspberry PI, a bunch of sensors and a small LCD display. Inspired by the CubeSensors, I wanted to measure air quality with the sensors and work with the derived data. This should help to understand how things process data, how to transfer it, how to analyze and derive information from it. I started the AirQuality Lab.

The sensor for the AirQuality Lab

It all started with the decision of whether to use Arduino or a RaspberryPi. A pro for the RaspberryPi was full Linux, the ability to use every coding language and easy and cheap Wi-Fi. I selected sensors on breakout boards with available source code. I didn’t want to do the lower level myself, so the latest was important. I’m not used to shifting bits around, but it is somewhat familiar, while pitching gains and other stuff is from the last century. I chose I²C sensors when available, to have the values digitally and to reuse the limited pins on the Raspberry Pi. These are the sensors:

• TSL45314
• BMP180 (updated to BMP280)
• SHT15
• Seed Studio Air Quality Sensor 1.0 / 1.3 (via Adafruit ADS 1015)
• I also added an LCD display in the first version for debugging purposes.

The AirQuality Sensor is not digital. An Analog-Digital-Converter was necessary to convert the signal into digital values. I chose the Adafruit ADS 1015 for this task. The SHT15 is also not fully compliant with I²C; it is addressable via an equivalent protocol.

I connected them as shown on the Fritzing wire diagram.

The code for the AirQuality Lab

Step by step I soldered the pins to the sensors and connected everything to the device. If you build up an electronic circuit, the smoke test is a particularly thrilling step and awesome if it works. To see it working on the RaspberryPi, it is easy to observe the sensors working. After setting up the I2C kernel module and installing the i2c Raspian packages, you can execute:

$> sudo i2cdetect -y 1
     0  1  2  3  4  5  6  7  8  9  a  b  c  d  e  f
00:          -- -- -- -- -- -- -- -- -- -- -- -- --
10: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
20: -- -- -- -- -- -- -- -- -- 29 -- -- -- -- -- --
30: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
40: -- -- -- -- -- -- -- -- 48 -- -- -- -- -- -- --
50: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
60: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
70: -- -- -- -- -- -- -- 77

Getting a response at the desired address of the sensor, found in the spec, is a great test to see if the wiring is good.

Next step: read out the sensor values. For some sensors I found Java code, but for others there were only just Python and Arduino C code. To test sensor functionality and correct wiring, it is good to have Python code, because it allows quick testing without compiling something. However, to connect to the Cloud of Things, I wanted the code in Java, so I had to rewrite it. Sometimes it was a nerve-wracking process for me, because there are some differences in bit shifting, data types and pointer arithmetic. In the end, I had all the code to read out the sensor values.

I have put my code for the sensors on Github (rpi-java-sensor-lib), so if you like, you can try it yourself. This is a good time to say thank you to the people who have written the code I used to get it working. If you’d like to try it yourself, use these commands. These steps include the complete build steps, so you need to have some packages installed. You can also package the jar on another computer, then just move the jar file to the Raspberry Pi and run it via the last command.

$> sudo git clone https://github.com/marquies/rpi-java-sensor-lib.git
$> cd rpi-java-sensor-lib
$> mvn package
$> sudo java -cp examples/target/examples-1.0-SNAPSHOT-jar-with-dependencies.jar de.patricksteinert.rpisensorlib.examples.AdafruitBMP280Example
Chip ID : 0x58
Pressure : 999.26 hPa
Temperature : 24.33 °C
Temperature : 75.79 °F
Altitude : 165.04 m

For the first prototype, I put all of the electronic components into a simple case with the prototyping board. I tentatively pulled the sensors to the outside of the case, to allow them to access to the room air. It looks like this:

Finally, I wanted to transfer the data to a thing-backend. I worked on the Cloud of Things, so this was my natural choice. For transferring the data I used a special client, which will be part of another post. The AirQuality Lab has now been running for two years, transferring the sensors’ data every thirty seconds, every minute, hour, day and year. I have a dataset of 630k+ observations to work on with data science tools, which will also be discussed in a future post.

Conclusion

I have learned many things during this project, especially the following:

• I know how to move bits over the wire, read registers and all the basic stuff. It helped me to understand how machines communicate.
• I learned how much work it is to output simple text on an LCD display.
• I understood how to structure payload to transfer sensor values in different ways.
• I have got a sense of how storing and reading “mass” data should be.

If you like this project and want to read further articles, make sure that you have subscribed to the RSS feed of this site or follow me on Twitter. I’d also appreciate feedback in the comments below or on Twitter.

The post The AirQuality Lab: How To Work With IoT Sensors appeared first on Patrick Steinert.

Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers

Mariette Awad, Rahul Khanna

This book is more a reference of Machine Learning and I use it this way. The book contains much mathematical stuff to explain the algorithms. So if you like

Agile IT Organization Design: For Digital Transformation and Continuous Delivery

Sriram Narayan

I choose this book as a resource for organizing my teams and make the organization more agile. While carefully selecting the methods to apply for me, I liked one the most: Alignment Maps. This concept helped my team to understand which business goals we have and why they have to do everything. A great way to show the team why their work matters.

Data Mining and Analysis: Fundamental Concepts and Algorithms

Mohammed J. Zaki, Jr, Wagner Meira

As the Efficient Learning Machines contains to many math for me, to get into the topic of machine learning, I decided to read Data Mining and Analysis. It is comprehensive and one of the most named if you search for books about data mining. While I like it, I would recommend you the next one more.

Data Mining: Practical Machine Learning Tools and Techniques

Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal

This book is, in my humble opinion, the best book to dive into data mining and application of machine learning for analysis of the data. I’m not through, but it is well written and in the fourth edition recently released, up to date.

The Phoenix Project: A Novel About IT, DevOps, and Helping Your Business Win

Gene Kim and Kevin Behr

This kind of non-fiction novel is a good read for those who are interested in creating flow in the IT organization. The basics principles and theories of Lean, Kanban, Agile and Continuous Delivery are explained along a fictive story. It is a slight read for the evening hours.

The Breach, Ghost Country, Deep Sky – Travis Chase series

Patrick Lee

I was on a search for books like Daemon and Influx by Daniel Suarez. A thriller, paired with science fiction and a lot of technology. I found this: a science fiction around a portal to… another world, destination, time, parallel universe? Patrick Lee has written a three part thrilling  series with the hero Travis Chase. In comparison to the books by Daniel Suarez, there is a lack of real-world technology. But anyway, a good read.

Signal and Runner – Sam Dryden Series

Patrick Lee

Another science fiction series – right now two books, third one in process. The novels are technology based stories, dealing with up to date ethical topics, while not going too deep for a good night read.

The post Books I have read in 2016 appeared first on Patrick Steinert.