Generative Künstliche Intelligenz hat weder den Anspruch noch das Zeug dazu, klassische Software-Entwicklung zu verdrängen. Nichtsdestotrotz dürften Large Language Models und KI das Berufsbild der Programmierer und Programmiererinnen nachhaltig prägen.

GPT-4 hat sich bei der Entwicklung einfacher WordPress-Plug-ins als praktischer Helfer erwiesen. Doch kann die KI auch bei Themes und Designs behilflich sein?

Historisch gesehen sind Daten typischerweise in einer Datenbank auf einem Rechner mit einer Festplatte gespeichert. Steigt allerdings die Zahl derer, die diese Daten nutzen wollen, und steigt zugleich auch noch die Menge der gespeicherten Daten, stößt das System an seine Grenzen. Genau an dieser Stelle kommen massiv parallele Datenarchitekturen ins Spiel.

Schnelle Entwicklungszyklen, effiziente Ressourcennutzung und innovative Problemlösungen: DevOps hat die Welt der Softwareentwicklung radikal transformiert. Doch welchen Einfluss hat und hatte die Cloud auf die DevOps-Praktiken?

Beinahe täglich erscheinen neue Werkzeuge und Use Cases auf Basis von Large Language Models (LLMs). Nie war es so leicht, Zugriff auf fortschrittlichste KI-Systeme zu bekommen. Aktuell sind OpenAI und Microsoft sowie Google die führenden kommerziellen Anbieter, die auch Schnittstellen (APIs) zur Nutzung der Modelle bereitstellen – sogenannte AI-as-a-Service (AIaaS).

Wie vereinfacht und automatisiert man das Management von Edge-Datacenter? Wie funktioniert deren nahtlose Einbindung in übergreifende Infrastrukturen? Mit einem auf „SLE Micro“ aufbauenden Stack hat Suse hierfür einen Vorschlag.

Databricks Lakehouse baut auf Apache Spark als Data-Engineering- und Analyse-Plattform auf. Auf der Anwenderkonferenz DAIS 2023 (BigData-Insider berichtete) im Juni 2023 wurde die Version 3.4 mit zahlreichen Neuerungen vorgestellt. Im September wurde die Version 3.5 freigegeben. Die Zusammenarbeit zwischen Spark und Python wird zunehmend enger.

Generative KI wälzt die Welt der Software-Entwicklung gerade um, was neue Testing-Methoden erforderlich macht. Wie können Unternehmen die mit KI verbundenen Herausforderungen meistern und maximalen Nutzen aus ChatGPT und Co. ziehen?

Machine Learning (ML) birgt neue Möglichkeiten, komplexe Problemen anzugehen und Entscheidungen zu treffen. Denn Daten sind keine starre Basis mehr, sondern Muster und Erfahrungen, aus denen sich lernen lässt. ML-Modelle professionell zu entwickeln und zu pflegen, ist jedoch mindestens so komplex, wie einen Software-Lebenszyklus zu managen. Machine Learning Operations (MLOps) sollen Struktur und Effizienz bringen und bedienen sich dabei bewährter DevOps-Prinzipien.

Kubernetes hat die Orchestrierung von Containern beherrschbar gemacht. Die Bedienung der Open-Source-Orchestrierung ist allerdings keinesfalls trivial. Die hohe Komplexität verführt im praktischen Einsatz selbst Experten zu Fehlern. Die Folgen können gravierend sein – sind aber vermeidbar.