Während die meisten Konkurrenten bei programmierenden KIs ganz klar auf den Ansatz des Assistenten/Copiloten zurückgreifen, geht Google einen Schritt weiter: AlphaCode von der Alphabet-Tochter Deepmind soll selbständig Programme schreiben und mehr als nur Beihilfe leisten.

Tabnine reiht sich nahtlos in die Riege der Code schreibenden Künstlichen Intelligenzen ein. Mit der intelligenten Vervollständigung besitzt der Programmierassistent jedoch ganz eigene Stärken. Das hilft vor allem beim Abbilden der Sprachstruktur.

Feature Flags sind ein wunderbares Werkzeug für die agile Entwicklung – Funktionen zur Laufzeit ein- und ausschalten zu können spart Zeit, ermöglicht A/B-Tests und Experimente. Und auf dem Open-Source-Markt tummeln sich viele interessante Kandidaten für deren Umsetzung.

Die Umsetzung eines kontinuierlichen Integrations- und Lieferworkflows (CI/CD) für die Entwicklung von embedded Software wird immer beliebter.

Wie gut lässt sich mit ChatGPT eigentlich wirklich entwickeln? Also nicht bloß eine kleine Funktion, sondern ein ganzes Programm? Und warum hat das Ganze etwas von Kleinkind-Erziehung?

Künstliche Intelligenz rüttelt die Tech-Welt derzeit ganz schön durch. Überschäumender Enthusiasmus auf der einen Seite. Jobverlust-Paranoia auf der anderen Seite. Was bislang etwas kurz kommt: Ganz reale Probleme rund um Sicherheit und Privatsphäre.

Die Anwendungsbereiche für Künstliche Intelligenz (KI) sind zunehmend sensibel und potenziell folgenschwer. KI-Einsätze in der Medizin sind nur ein Beispiel dafür. Entsprechend hoch ist der Wunsch nach einer geprüften KI-Lösung, denn wer will schon einer Blackbox vertrauen? Inzwischen gibt es zahlreiche Ansätze für KI-Zertifizierungen. Wir geben einen Überblick.

SRE ermöglicht als skalierbare Strategie die Automatisierung der Überwachung großer Softwaresysteme - insbesondere wenn diese Systeme erweitert oder in die Cloud migriert werden. Dies spart viel Zeit und schafft mehr Freiheit für Verbesserungen und die Entwicklung neuer Funktionen.

In den meisten Fällen scheitern Projekte für maschinelles Lernen (ML) nicht an einem „falschen“ Algorithmus, sondern an der mangelnden organisatorischen Unterstützung, einem klaren Fahrplan und einer einfachen Methode. Welche entscheidenden Vorüberlegungen müssen für ML-Projekte angestellt werden?

Blockchain war lange Zeit das IT-Thema schlechthin und galt als Zukunftstechnologie. Doch dank Krypto-Pleiten und hohen Energiepreisen, KI-Boom und Regulierungsgesetzen steht die Technik für viele Anwendungen mit dem Rücken zur Wand.