Plan du cours
Niveau 1 : Le donjon de la découverte – Les secrets des exigences
Mission : Utiliser les LLM (ChatGPT) pour extraire des exigences structurées à partir d'entrées vagues.
Activités clés :
- Interpréter des idées de produit ou des demandes de fonctionnalités ambigües
-
Utiliser l'IA pour :
- Générer des cas d'utilisation et des critères d'acceptation
- Suggérer des personas et des scénarios
-
Générer des artifacts visuels (par exemple, des diagrammes simples avec Mermaid ou draw.io)
Résultat : Backlog structuré de cas d'utilisation + modèle de domaine initial ou visuels
Niveau 2 : Le forge du design – Le parchemin de l'architecte
Mission : Utiliser l'IA pour créer et valider des plans d'architecture.
Activités clés :
-
Utiliser l'IA pour :
- Proposer un style d'architecture (monolithe, microservices, serverless)
- Générer des diagrammes de composants et d'interaction de haut niveau
- Générer l'armature des structures de classes/modules
-
Remettre en question les choix des autres lors de revues de design par les pairs
Résultat : Architecture validée + squelette de code
Niveau 3 : L'arène du code – Le gauntlet du Codex
Mission : Utiliser des copilotes IA pour implémenter des fonctionnalités et améliorer le code.
Activités clés :
- Utiliser GitHub Copilot ou ChatGPT pour implémenter la fonctionnalité
-
Refactoriser le code généré par l'IA pour :
- La performance
- La sécurité
- La maintenabilité
-
Injecter des « odeurs de code » et organiser des défis de nettoyage entre pairs
Résultat : Base de code fonctionnelle, refactorisée et générée par l'IA
Niveau 4 : Le marais des bugs – Tester les ténèbres
Mission : Générer et améliorer des tests avec l'IA, puis trouver des bugs dans le code des autres.
Activités clés :
-
Utiliser l'IA pour générer :
- Des tests unitaires
- Des tests d'intégration
- Des simulations de cas limites
-
Échanger du code buggé avec une autre équipe pour un débogage assisté par l'IA
Résultat : Suite de tests + rapport de bugs + corrections de bugs
Niveau 5 : Les portails du pipeline – La porte de l'automate
Mission : Mettre en place des pipelines CI/CD intelligents avec l'assistance de l'IA.
Activités clés :
-
Utiliser l'IA pour :
- Définir les workflows (par exemple, GitHub Actions)
- Automatiser les étapes de construction, de test et de déploiement
-
Suggérer des politiques de détection d'anomalies/de retour arrière
Résultat : Script ou flux de pipeline CI/CD assisté par l'IA et fonctionnel
Niveau 6 : La citadelle de surveillance – La tour de guet des journaux
Mission : Analyser les journaux et utiliser le ML pour détecter des anomalies et simuler la récupération.
Activités clés :
- Analyser les journaux pré-remplis ou générés
-
Utiliser l'IA pour :
- Identifier des anomalies ou des tendances d'erreurs
- Suggérer des réponses automatisées (par exemple, scripts d'auto-réparation, alertes)
-
Créer des tableaux de bord ou des résumés visuels
Résultat : Plan de surveillance ou mécanisme d'alerte intelligent simulé
Niveau final : L'arène du héros – Construire le SDLC ultime soutenu par l'IA
Mission : Les équipes appliquent tout ce qui a été appris pour créer une boucle SDLC fonctionnelle pour un mini-projet.
Activités clés :
- Sélectionner un mini-projet d'équipe (par exemple, suivi de bugs, chatbot, microservice)
-
Appliquer l'IA à chaque phase du SDLC :
- Exigences, Design, Code, Test, Déploiement, Surveillance
- Présenter les résultats lors d'une courte démo d'équipe
Vote ou jugement par les pairs pour le pipeline le plus efficace alimenté par l'IA
Résultat : Implémentation SDLC entièrement améliorée par l'IA + présentation de l'équipe
À la fin de cet atelier, les participants seront capables de :
- Appliquer des outils d'IA générative pour extraire et structurer les exigences logicielles
- Générer des diagrammes d'architecture et valider les choix de conception en utilisant l'IA
- Utiliser des copilotes IA pour implémenter et refactoriser du code de production
- Automatiser la génération de tests et effectuer un débogage assisté par l'IA
- Concevoir des pipelines CI/CD intelligents qui détectent et réagissent aux anomalies
- Analyser les journaux avec des outils IA/ML pour identifier les risques et simuler l'auto-réparation
- Démontrer un SDLC entièrement amélioré par l'IA à travers un mini-projet d'équipe
Pré requis
Public cible : Développeurs logiciels, testeurs, architectes, ingénieurs DevOps, chefs de produit
Les participants devraient :
- Comprendre le cycle de développement logiciel (SDLC)
- Disposer d'une expérience pratique dans au moins un langage de programmation (par exemple, Python, Java, JavaScript, C#, etc.)
-
Être familiarisés avec :
- La rédaction et la lecture de cas d'utilisation ou d'exigences
- Les principes de base de la conception logicielle
- Le contrôle de version (par exemple, Git)
- L'écriture et l'exécution de tests unitaires
- L'exécution ou l'interprétation de pipelines CI/CD
Il s'agit d'un atelier de niveau intermédiaire à avancé. Il est idéal pour les professionnels faisant déjà partie d'équipes de livraison logicielle (développeurs, testeurs, ingénieurs DevOps, architectes, chefs de produit).
Nos clients témoignent (1)
J'ai acquis des connaissances sur la bibliothèque Streamlit en Python et je vais certainement essayer de l'utiliser pour améliorer les applications de mon équipe qui sont actuellement développées avec R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Formation - GitHub Copilot for Developers
Traduction automatique
