Kursplan
Nivå 1: Oppdagelsesdungeonet – Secrets of Requirements
Misjon: Bruk LLMs (ChatGPT) til å trekke ut strukturerte krav fra uklare inndata.
Virksomhet:
- Tolk usikre produktideer eller funksjonsforslag
- Bruk KI til:
- Generere brukershistorier ogakseptkriterier
- Foreslå personligheter og scenarier
-
Generere visuelle artefakter (f.eks. enkle diagrammer med Mermaid eller draw.io)
Resultat: Strukturert backlog av brukershistorier + initialt domene modell/visuelle elementer
Nivå 2: Designsmitten – Arkitektens Skrift
Misjon: Bruk KI til å opprette og validere arkitekturløsninger.
Virksomhet:
- Bruk KI til:
- Foreslå arkitekturstil (monolit, mikrotjenester, serverless)
- Generere høy-nivå komponent- og interaksjonsdiagrammer
- Opprette skjelett for klasser/moduler
-
Utfordre hverandres valg gjennom peer design reviews
Resultat: Validert arkitektur + kode-skjelett
Nivå 3: Kodearenaen – Codex Gauntlet
Misjon: Bruk KI-copilots til å implementere funksjonalitet og forbedre kode.
Virksomhet:
- Bruk GitHub Copilot eller ChatGPT til å implementere funksjonalitet
- Refaktorer KI-generert kode for:
- Ytelse
- Sikkerhet
- Underholdbarhet
-
Injiser «kode-dufter» og utfør peer clean-up utfordringer
Resultat: Funksjonell, refaktorisert, KI-generert kodebase
Nivå 4: Buggmyren – Test darkness
Misjon: Generer og forbedre tester med KI, og finn feil i andres kode.
Virksomhet:
- Bruk KI til å generere:
- Enhetstester
- Integrasjonstester
- Edge case simuleringer
-
Utskift buggede kode med et annet team for KI-assistert feilsøking
Resultat: Test-suite + feilrapport + feilrettinger
Nivå 5: Pipelineportaler – Automaton Gate
Misjon: Oppsett smarte CI/CD pipelines med KI-assistans.
Virksomhet:
- Bruk KI til:
- Definere workflows (f.eks. GitHub Actions)
- Automatisere bygg, test og utlevering trinn
- Foreslå anomali-deteksjon/rollback policy
Resultat: KI-assistert, fungerende CI/CD pipeline script eller flow
Nivå 6: Overvåkingstårnet – Tårnet av logger
Misjon: Analyser logger og bruk ML til å detektere anomalier og simulere gjenoppretting.
Virksomhet:
- Analyser forhåndslagrede eller genererte logger
- Bruk KI til:
- Identifisere anomalier eller feiltrender
- Foreslå automatiserte respons (f.eks. self-healing scripts, advarsler)
- Oprette dashboards eller visuelle oppsummeringer
Resultat: Overvåkingsplan eller simulert intelligent varslingsmekanisme
Siste Nivå: Heltens Arena – Bygg den ultimative KI-støtte SDLC
Misjon: Teamene anvender alt de har lært for å bygge en fungerende SDLC-løkke for et mini-prosjekt.
Virksomhet:
- Velg et mini-prosjekt for team (f.eks. feilsporer, chatbot, mikrotjeneste)
- Anvend KI i hver SDLC-fase:
- Krav, Design, Kode, Test, Utlevering, Overvåking
- Presenter resultater i en kort team-demo
Peer-votering eller dommer for mest effektiv KI-drevet pipeline
Resultat: Ende-til-ende KI-forsterket SDLC implementasjon + team-showcase
Ende av dette verkstedet, vil deltauer være i stand til å:
- Anvende generative KI-verktøy til å trekke ut og strukturere programvarekrav
- Generere arkitektordiagrammer og validere designvalg ved hjelp av KI
- Bruk KI-copilots til å implementere og refaktorere produksjonskvalitetskode
- Automatisere testgenerering og utføre KI-assistert feilsøking
- Design intelligente CI/CD pipelines som detekterer og reagerer på anomalier
- Analyser logger med KI/ML-verktøy for å identifisere risiko og simulere self-healing
- Demonstrere en fullstendig KI-forsterket SDLC gjennom et mini team-prosjekt
Krav
Målgruppe: Programvareutviklere, testere, arkitekter, DevOps-ingeniører, produktiere
Deltauer bør ha:
- En fungerende forståelse av Software Development Lifecycle (SDLC)
- Praktisk erfaring med minst ett programmeringsspråk (f.eks. Python, Java, JavaScript, C#, osv.)
- Kjennskap til:
- Å skrive og lese brukershistorier eller krav
- Grunnleggende prinsipper for programvaredesign
- Versjonskontroll (f.eks. Git)
- Å skrive og kjøre enhetstester
- Å kjøre eller tolke CI/CD-pipelines
Dette er et mellom- til avansert verksted. Det er ideelt for fagfolk som allerede er del av programvareløype-team (utviklere, testere, DevOps-ingeniører, arkitekter, produktiere).
Referanser (1)
At jeg har skaffet kunnskap om Streamlit-biblioteket fra Python, og jeg vil sikkert prøve å bruke det for å forbedre applikasjonene i min gruppe som er laget i R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maskinoversatt