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.

Level 1: Assisted Coding

• What Happens: Coders handle the bulk of the work but can request autogenerated code snippets to copy-paste or use as code completion.
• Responsibility: Coders must validate and are ultimately responsible for all code, ensuring accuracy and functionality.

Level 2: Partly Automated Coding

• What Happens: Coders primarily use the IDE to specify features, and the AI then modifies the code accordingly.
• Responsibility: While the AI handles some coding, coders must validate all changes and remain responsible for the final output.

Level 3: Highly Automated Coding

• What Happens: Coders use a more advanced interface, not limited to traditional IDEs, to specify features. AI can automatically handle specific tasks like fulfilling software tests, generating test code, reorganizing code for better maintainability, creating new user interface features, and proposing and testing solutions to errors.
• Responsibility: Coders intervene in exceptional cases or when errors arise that the AI cannot resolve.

Level 4: Fully Automated Coding

• What Happens: The developer’s role shifts more towards a Product Owner’s. AI can code features based on detailed specifications and autonomously handle errors—making adjustments, testing, and waiting for developers to review and commit changes.
• Responsibility: The AI provider assumes a significant portion of the responsibility, especially in maintaining the integrity and functionality of the code.

Level 5: Autonomous Coding

• What Happens: AI handles everything from coding new features based on persistent specifications to upgrading dependencies and fixing errors. It manages the full lifecycle of the code, including deployment.
• Responsibility: AI becomes largely self-sufficient, significantly reducing the need for human intervention.

The post Five Levels of Autonomous Coding 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.

The post Parallel algorithms for semantische search with CUDA appeared first on Patrick Steinert.

For those of you that are not familiar with GraphQL, here’s a bit of an intro. GraphQL is a query language for APIs, usually based on HTTP. It allows the requesting client to specify the wanted attributes in the request. Hence, it does not transmit too much or too little information and solves under and over-fetching happening with REST APIs. There is a lot more in GraphQL. Just hit the play button.

The post Use GraphQL for many frontends appeared first on Patrick Steinert.

Die meisten fertigen Algorithmen zur Objekterkennung sind ja eher auf allgemeine Datensätze trainiert, die zwar Obst und Gemüse beinhalten, aber nur einige wenige Arten. Das Coco-Dataset beinhaltet zum Beispiel Karotten, Bananen, Äpfel, Orangen und Broccoli. Diese Klassiker schafft meist auch das Personal an der Kasse von alleine. Die Algorithmen, bzw, die neuronalen Netze sind also vorhanden, aber sie sind nicht spezifisch trainiert. Ein Training mit spezifischeren Daten wäre möglich: Stichwort Transfer Learning. Dafür brauche ich Bilder von Obst und Gemüse. Obst, das habe ich auf dem Wege gelernt, ist gar kein definierter Begriff. Es wird von Früchten gesprochen. Man lernt nicht aus. Durch eine schnelle Recherche sind ein paar Datensätze gefunden, die Bilder zum Training bieten:

• fruits 360
• fruits-262
• Fruit Recognition

Ich habe schon ein paar Versuche für das Transfer-Training gemacht (dazu dann vielleicht mal mehr in einem anderen Beitrag). Bisher sind die Ergebnisse aber bescheiden. Es gibt zum Glück bessere Ansätze. Ich habe dazu ein Projekt veröffentlicht. Der Code ist auf github zu finden. Vielleicht wird es ja tatsächlich funktionieren, wer weiß das schon. Ist halt ein Side-Project.

The post Recognizer – a smart scale approach appeared first on Patrick Steinert.