thpeetz-notes/Areas/cimt AG/Präsentation/KI ersetzt nicht DevOps.md

title, tags

title	tags
KI ersetzt nicht DevOps	process/project presentation/article

Abstract

KI verändert die Software-Entwicklung und auch Methoden, wie DevOps bleiben nicht unberührt. In welcher Weise profitiert die Entwicklung und vor allem DevOps von den Möglichkeiten. Bevor ich auf die aktuelle Situation eingehe, werde ich einen kurzen Blick auf die Geschichte und Bedeutung von DevOps eingehen.

Artikel

Über KI in der Software-Entwicklung ist in der letzten Zeit viel geschrieben worden. Dabei reichen die Artikel von "Die KI ersetzt Software-Entwickler" bis "Mit KI sinkt die Produktivität der Entwickler". Dabei wird die Entwicklung ganz allgemein betrachtet und berücksichtigt nicht die unterschiedlichen Aufgaben, die im heutigen Entwicklungsprozess vorhanden sind. Ich möchte mich hier auf den Bereich DevOps konzentrieren und beschrieben, wie KI eingesetzt werden kann, um die Entwicklung zu beschleunigen und an welcher Stelle die KI nicht helfen kann. Wenn ich von KI sprechen, dann meine ich generative Large Language Models, wie ChatGPT, Claude, Mistral und andere. Die Tools haben es ermöglicht, dass ich Bilder, Texte und Code erzeugen kann, ohne mich vorher damit beschäftigt zu haben. Damit kommen wir zum Vorteil dieser Tools. Neben dem Code für das eigentliche Produkt wird auch Code zum Bauen und Testen der Software benötigt und es entstehen repetitive Tätigkeiten. Routineaufgaben , die standardisiert abgearbeitet werden müssen, sind eine Stärke von KI-Algorithmen. Daneben gibt es aber die Bereiche, in denen menschliche Intuition und Erfahrung benötigt werden. Beispiele hierfür sind fortlaufende Aktualisierungen des Code-Styles, das Verständnis von Teamdynamiken oder die Aufdeckung subtiler Probleme im Entwicklungsprozess. KI kann diese Aspekte nicht replizieren und erfordert immer noch menschliches Eingreifen. Entwicklung ist ein kontinuierlicher Prozess, der sich ständig weiterentwickelt, je mehr Erfahrungen gesammelt werden. KI-Algorithmen hingegen benötigen stabile Muster und Regelmäßigkeiten in den Daten, um effektiv zu arbeiten. Diese Beispiele verdeutlichen die unterschiedlichen Aufgaben, die bei DevOps existieren. Zum einen die Ausführung gleicher Tätigkeiten, wie Bauen, Testen und die Analyse von Logs der Anwendung und die Kommunikation und Entscheidungsfindung auf spontane und unerwartete Ereignisse. Die Kommunikation zwischen Entwicklung, Testern und Stakeholdern benötigt Erfahrung, um die unterschiedlichen Anforderungen abzustimmen. Dazu gehört auch die Vermittlung von fachspezifischen und technischen Informationen zwischen diesen Gruppen. Zusammenfassend lässt sich sagen, dass KI zwar viele Prozesse in der Softwareentwicklung automatisieren kann, aber nicht immer ein vollständiger Ersatz für menschliche Intuition und Entscheidungsfindung ist. In bestimmten Szenarien kann sie jedoch eine wertvolle Unterstützung bieten.

Material

ollama run marco/em_german_mistral_v01 "Bitte gebe mir eine Beschreibung wie KI bei DevOps unterstützen kann" > ki-devops.txt

Künstliche Intelligenz (KI) und maschinelles Lernen können auf vielfältige Weise dazu beitragen, dass DevOps effizienter wird. Hier sind einige Möglichkeiten, wie KI bei DevOps unterstützen kann:

1. Automatisierung von Routineaufgaben: KI-Algorithmen können repetitive und zeitaufwändige Aufgaben automatisieren, die normalerweise von Menschen erledigt werden müssen, wie z.B. Codeüberprüfungen, Testfälle erstellen oder sogar Teile des Codes selbst schreiben.
2. Vorhersage und Prognose: KI-Modelle können historische Daten analysieren, um Trends und Muster zu identifizieren und so genaue Vorhersagen über zukünftige Ereignisse im Entwicklungsprozess zu treffen. Dies kann dazu beitragen, Engpässe zu vermeiden oder die benötigten Ressourcen besser zu planen.
3. Sicherheit: KI-Systeme können verwendet werden, um Sicherheitslücken im Code schneller und effizienter zu identifizieren als menschliche Teams dies tun könnten. Sie können auch potenzielle Schwachstellen in Open-Source-Software erkennen und melden.
4. Leistungsoptimierung: Durch die Analyse von Codeleistung, Logdaten und Benutzerverhalten kann KI dazu beitragen, Engpässe zu identifizieren und Optimierungen vorzuschlagen, um die App-Performance insgesamt zu verbessern.
5. Versionskontrolle: KI-Algorithmen können Codeänderungen überwachen und analysieren, um sicherzustellen, dass jeder Beitrag gut in das Gesamtsystem passt und keine Konflikte oder unbeabsichtigten Konsequenzen verursacht.
6. Lernen aus der Vergangenheit: KI-Modelle können verwendet werden, um Erfahrungen aus früheren Projekten zu analysieren und daraus Lehren für zukünftige Initiativen zu ziehen.
7. Fehlererkennung: Künstliche Intelligenz kann dazu beitragen, Probleme schneller zu erkennen und einzudämmen, indem sie Anomalien in der Code-Performance oder Systemverhalten identifiziert und anzeigt.
8. Kommunikation verbessern: KI-gesteuerte Chatbots können Teammitgliedern helfen, Informationen schneller auszutauschen und so die Kommunikationswege zu optimieren.
9. Testautomatisierung: KI kann dazu beitragen, Tests schneller und effizienter durchzuführen als herkömmliche manuelle Methoden, um Fehler früher im Entwicklungsprozess zu erkennen.
10. Kontinuierliches Lernen: KI-Modelle können sich kontinuierlich weiterentwickeln und verbessern, indem sie aus ihren Erfahrungen lernen, was dazu beiträgt, dass DevOps im Laufe der Zeit immer effizienter wird.

ollama run marco/em_german_mistral_v01 "Bitte gebe mir eine Begründung warum KI nicht  bei DevOps unterstützen kann" > ki-devops.txt

Künstliche Intelligenz (KI) hat in vielen Bereichen Einzug gehalten und bietet erhebliche Vorteile, aber es gibt bestimmte Aspekte von DevOps, bei denen sie nicht so effektiv unterstützen kann. Hier sind einige Gründe dafür:

1. Unstrukturierte Daten: Viele Prozesse in der Softwareentwicklung beinhalten unstrukturierte Daten wie Codekommentare oder Anwendungsprotokolle. KI-Algorithmen erfordern strukturiertes Wissen, um daraus zu lernen und Vorhersagen zu treffen. Sie tun sich schwer mit der Verarbeitung dieser Art von Informationen, die oft fehlende Tags oder Schlüsselwörter enthalten.
2. Menschliche Intuition: Einige Entscheidungen in DevOps sind stark auf menschlicher Intuition und Erfahrung basiert. Beispiele hierfür sind fortlaufende Aktualisierungen des Code-Styles, das Verständnis von Teamdynamiken oder die Aufdeckung subtiler Probleme im Entwicklungsprozess. KI kann diese Aspekte nicht replizieren und erfordert immer noch menschliches Eingreifen.
3. Fehlende Kontextinformationen: KI-Algorithmen benötigen klare Anweisungen und Daten für die effektive Ausführung ihrer Aufgaben. In der Softwareentwicklung gibt es jedoch oft vage oder unvollständige Informationen über Systeme, Prozesse und Teamstrukturen. Diese Lücken können dazu führen, dass KI falsche Vorhersagen trifft oder die Absichten des Entwicklers missversteht.
4. Echtzeit-Entscheidungen: Viele Aspekte von DevOps erfordern schnelle Entscheidungsfindung, wie zum Beispiel das Beheben von Fehlern oder das Reagieren auf unerwartete Probleme. KI kann nicht immer in Echtzeit reagieren und benötigt Zeit zur Verarbeitung großer Datenmengen und Modellbildung.
5. Flexibilität: Softwareentwicklung ist ein kontinuierlicher Prozess, der sich ständig weiterentwickelt, je mehr Erfahrungen gesammelt werden. KI-Algorithmen hingegen benötigen stabile Muster und Regelmäßigkeiten in den Daten, um effektiv zu arbeiten.
6. Ethik und Fairness: Bei der Entwicklung von KI für DevOps müssen ethische Fragen berücksichtigt werden, wie z.B. die Vorurteile, die Algorithmen beinhalten können oder die Verantwortlichkeit bei Fehlern. Diese Aspekte können in der Softwareentwicklung eine Rolle spielen und erfordern menschliches Eingreifen zur Bewältigung.

Zusammenfassend lässt sich sagen, dass KI zwar viele Prozesse in der Softwareentwicklung automatisieren kann, aber nicht immer ein vollständiger Ersatz für menschliche Intuition und Entscheidungsfindung ist. In bestimmten Szenarien kann sie jedoch eine wertvolle Unterstützung bieten.

Aufgaben

• Zusendung des Blogeintrags an Ann-Kristin Hantzsch-Kühnlenz inklusive der Anmerkungen von Stefanie Pelster #process/task [start:: 2026-02-17] [scheduled:: 2026-02-20] [due:: 2026-03-30] [completion:: 2026-02-20]
• Review des Eintrags mit KI #process/task [start:: 2026-02-17] [scheduled:: 2026-02-26] [due:: 2026-03-10]
• Einbindung von Bildern in den Beitrag #process/task [start:: 2026-02-17] [scheduled:: 2026-02-26] [due:: 2026-03-10]
• Ablage des Textes als Word-Dokument in Sharepoint [start:: 2026-02-20] [scheduled:: 2026-02-26] [due:: 2026-03-10]