Plan du cours
Introduction au codage par ambiance
- Définition et historique du codage par ambiance
- Philosophie de la collaboration « invite-to-code »
- En quoi le codage assisté par l'IA diffère du développement traditionnel
Les modèles de langage de grande taille dans le codage
- Aperçu des modèles de langage pour les développeurs : GPT-4, DeepSeek, Qwen, Mistral
- Comparaison des codeurs IA open source et propriétaires
- Déploiement local des modèles de langage ou via des API
Ingénierie des invites pour les développeurs
- Formulation efficace des invites pour générer et refactoriser du code
- Gestion du contexte et traitement de l'état des conversations
- Création de gabarits d'invites réutilisables pour les tâches de codage
Environnements pratiques de codage par ambiance
- Utilisation de Replit pour le codage collaboratif assisté par l'IA
- Intégration de GitHub Copilot et de Qwen Coder dans les IDE
- Personnalisation des flux de travail pour la collaboration en équipe
Qualité du code et validation dans les flux de travail IA
- Révision et test du code généré par les modèles de langage
- Garantie de la cohérence, de la maintenabilité et de la sécurité
- Intégration d'outils de validation du code dans le flux de travail
Intégration d'entreprise et gouvernance
- Mise à l'échelle du codage par ambiance à travers les équipes
- Gouvernance de l'IA, éthique et conformité dans la génération de code
- Conception de cadres organisationnels pour le développement assisté par l'IA
Sujets avancés : Extension du codage par ambiance
- Combinaison de plusieurs modèles de langage pour des flux de travail IA hybrides
- Intégration du codage par ambiance avec l'automatisation CI/CD
- Tendances futures : écosystèmes de développement multi-agents
Projet d'équipe et collaboration
- Conception d'un projet de codage assisté par l'IA en contexte réel
- Collaboration avec des développeurs humains et des IA
- Présentation des résultats et évaluation des gains de productivité
Résumé et prochaines étapes
Pré requis
- Une compréhension des flux de travail de développement logiciel
- De l'expérience avec Python, JavaScript ou un autre langage de programmation moderne
- Une familiarité avec les systèmes de contrôle de version basés sur Git
Public visé
- Ingénieurs logiciels explorant le développement assisté par l'IA
- Chefs d'équipe technique supervisant l'adoption de l'IA dans les flux de travail de codage
- Équipes de développement d'entreprise cherchant à intégrer des modèles de langage dans les pipelines de production
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