Coding mit KI – Die neuen Möglichkeiten optimal nutzen

Staffel 6· 7. November 2023· 2316

Episoden-Cover: Coding mit KI – Die neuen Möglichkeiten optimal nutzen
0:002316
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Dr. Maksim GreinerCo-Founder & CTO von Erium

Überblick

In dieser Folge sprechen Theo Steininger und Maksim Greiner über den aktuellen Stand von KI-gestütztem Coding mit Sprachmodellen. Sie beleuchten, wo LLMs heute wirklich helfen, wo die Grenzen liegen und wie die Halerium-Plattform einen neuen Mittelweg zwischen reinen Chat-Interfaces und professionellen Entwickler-Tools schafft. Außerdem werfen sie einen Blick auf Sicherheitsaspekte und die Zukunft des KI-Codings.

Zusammenfassung

Wo LLMs beim Coding heute wirklich helfen

Maksim Greiner beschreibt, wie er Sprachmodelle vor allem dann einsetzt, wenn er mit Bibliotheken oder Programmiersprachen arbeitet, mit denen er weniger vertraut ist. Statt mühsam in Dokumentationen zu suchen oder Stack Overflow zu durchforsten, lässt sich etwa GPT-4 direkt nach der richtigen Verwendung eines Pakets fragen - zum Beispiel für Streamlit-Apps mit komplexen Slider-Abhängigkeiten. Für gut bekannte Werkzeuge wie NumPy oder Pandas ist man als erfahrener Entwickler oft noch selbst schneller, doch auch dort kann natürlichsprachliche Eingabe Zeit sparen. Der Hauptnutzen liegt also darin, dass das Modell hilft, wenn man etwas noch nicht auswendig kann - und das kommt im Alltag häufig vor.

Zwei Welten: Schnipsel-Coding vs. vollständige Softwareentwicklung

Die Gesprächspartner ziehen eine klare Grenze: Sprachmodelle liefern heute verlässlich guten Code für kleinere Einheiten - grob bis zu 200 Zeilen pro Antwort. Größere Refactorings, bei denen eine gesamte Architektur neu gedacht werden müsste, liegen noch außerhalb der Möglichkeiten. Tools wie Ada (ein CLI-Framework für Repos) arbeiten mit Metastrukturen über dem Code, können aber auch nur atomare, lokale Änderungen vornehmen. Ebenso wichtig ist die Unterscheidung zwischen Code als 'Mittel zum Zweck' (z.B. eine einmalige Analyse aus einer Excel-Datei) und Code als langfristigem Software-Asset - diese beiden Szenarien stellen grundlegend unterschiedliche Anforderungen an Qualität und Struktur.

GitHub Copilot und Chat-Interfaces: Stärken und blinde Flecken

Copilot wird als intelligentes Autocomplete-Werkzeug eingeordnet, das primär erfahrene Entwickler beschleunigt - es setzt voraus, dass die Architektur bereits steht und der Nutzer weiß, was er schreiben will. Chat-basierte Code-Ausführung (wie in ChatGPT mit der Sandbox) hilft dagegen Nicht-Programmierern, aus einer natürlichen Frage zu einem konkreten Ergebnis zu kommen, stößt aber bei wachsender Komplexität schnell an Grenzen und bietet keinen persistenten Workspace. Beide Welten seien für sich genommen 'unbefriedigend', so Greiner - sie adressieren jeweils nur eine Extremposition.

Der Halerium-Ansatz: Iteratives Coding mit Kontext und Workspace

Als Lösung für den Bereich zwischen diesen zwei Welten stellen die Hosts das iterative Coding-Feature der Halerium-Plattform vor. Kernidee: Ein Python-Kernel wird direkt in den Konversationsstrang integriert, sodass generierter Code sofort ausgeführt, Ergebnisse zurückgespielt und Dateien in einem persistenten Workspace gespeichert werden können. Über die Board-Struktur lassen sich verschiedene Aufgabenstränge miteinander verknüpfen - etwa ein strategischer Konversationsstrang zur Konzeption, ein Codierungsstrang zur Umsetzung und ein weiterer zur Auswertung der Ergebnisse. Theo Steininger illustriert dies anhand eines Praxisbeispiels: Er hat aus einer mehrere hundert Seiten umfassenden technischen Dokumentation mithilfe eines LLM ein Klassendiagramm extrahiert, daraus einen digitalen Zwilling in Python erzeugen lassen und diesen als Zeitreihensimulator betrieben - alles ohne mentale Kontextwechsel dank der Aufgabendelegation an das Modell.

Sicherheit, Codequalität und Datenschutz

Bei Code als Mittel zum Zweck sind die Sicherheitsrisiken nach Einschätzung der Hosts überschaubar - GPT-4 produziere in der Praxis keinen grob schädlichen Code. Kritischer wird es, wenn Code ein dauerhaftes Software-Asset ist: Dann braucht es zwingend einen erfahrenen Entwickler zum Review, da automatisierte Code-Quality-Tools wie SonarQube nur Syntax und Style prüfen, nicht aber die inhaltliche Logik. KI-generierter Code sieht äußerlich oft sauber aus, kann aber logische Fehler enthalten. Beim Datenschutz verweisen die Hosts auf das Azure-Deployment von GPT-Modellen, bei dem die eigenen Daten nicht in Trainingsdatensätze von OpenAI einfließen - relevant vor allem für proprietären Quellcode und Intellectual Property.

Best Practices: Iterieren, reviewen und den Stil akzeptieren

Als wichtigste Handlungsempfehlungen kristallisieren sich drei Punkte heraus: Erstens sollte man Iterationsschleifen einplanen - weder als Coder noch als Nicht-Coder entsteht das perfekte Ergebnis beim ersten Versuch. Auch dem Modell selbst sollte man die Chance geben, Exceptions zurückzuspielen und sich selbst zu korrigieren. Zweitens kann man für Nicht-Coder einen zweiten Bot-Strang als Reviewer einsetzen, der den generierten Code aus einem anderen Kontextgedächtnis kritisch bewertet. Drittens empfiehlt Greiner, den eigenen Programmierstil an den des Modells anzupassen - Code, den das LLM selbst erzeugt hat, wird von ihm beim nachfolgenden Refactoring am besten verstanden.

Ausblick: Wachsende Modelle, schrumpfender Gerüstbau

Greiner prognostiziert, dass viele der heute nötigen Workarounds - wie das Divide-and-Conquer-Prinzip für Code-Schnipsel unter 200 Zeilen - mittelfristig überflüssig werden, weil Sprachmodelle schlicht mehr Kontext und Kohärenz beherrschen werden. Gleichzeitig warnt er davor, sich zu sehr an spezifische technische Lösungen zu binden, da neue Modellgenerationen ganze Kategorien von Prompt-Ketten und Rahmenwerken ablösen können. Steininger fasst die Perspektive positiv zusammen: Die Entwicklung geht konsequent dahin, dass Menschen sich mehr auf die eigentliche Frage konzentrieren können - 'Was will ich eigentlich?' - und weniger auf die technische Umsetzung.

Kernaussagen

  • LLMs beschleunigen Coding vor allem dort, wo Entwickler eine Bibliothek oder Sprache nicht auswendig kennen - und das ist im Alltag die Regel, nicht die Ausnahme.
  • Aktuelle Sprachmodelle liefern verlässlich guten Code für Einheiten bis ca. 200 Zeilen; globale Refactorings ganzer Architekturen sind noch nicht möglich.
  • Es gibt einen fundamentalen Unterschied zwischen 'Code als Mittel zum Zweck' (Einmalanalyse) und 'Code als Software-Asset' - beide Szenarien erfordern unterschiedliche Qualitätsansprüche.
  • GitHub Copilot beschleunigt erfahrene Entwickler innerhalb bestehender Strukturen; Chat-Interfaces helfen Nicht-Programmierern bei einfachen Aufgaben - beide Ansätze haben klare Grenzen.
  • Die Halerium-Plattform verbindet Konversationsstränge mit einem Python-Kernel und einem persistenten Workspace, um den Graubereich zwischen diesen Extremen zu überbrücken.
  • KI-generierter Code sieht syntaktisch oft makellos aus, kann aber logische Fehler enthalten - ein Senior-Developer-Review bleibt bei Software-Assets unverzichtbar.
  • Datenschutz beim KI-Coding: Wer seinen Code nicht in OpenAI-Trainingsdaten sehen will, sollte auf Deployments setzen, bei denen die Daten beim Nutzer verbleiben (z.B. Azure).
  • Iterieren gehört zum Prozess - sowohl durch menschliches Feedback als auch durch automatisches Zurückspielen von Exceptions an das Modell.
  • Die Fähigkeiten der Sprachmodelle wachsen kontinuierlich; heutige Workarounds werden künftig durch leistungsfähigere Modelle ersetzt - Flexibilität ist wichtiger als das Perfektionieren einzelner Lösungen.

Fazit

KI-gestütztes Coding ist heute kein Science-Fiction-Autopilot, aber ein echter Produktivitätsbeschleuniger - wenn man seine Möglichkeiten und Grenzen kennt. Wer versteht, wann Code ein Mittel zum Zweck und wann ein langfristiges Asset ist, wer bereit ist zu iterieren und Reviews ernst nimmt, kann schon jetzt erheblich schneller und fokussierter arbeiten. Die Entwicklung geht klar dahin, dass immer mehr Implementierungsarbeit delegiert wird und Menschen sich auf das Wesentliche konzentrieren können: die richtige Frage zu stellen.

Fuer erfahrene Entwickler

KI macht euch nicht arbeitslos, aber verändert eure Rolle: Ihr werdet zum Architekten und Reviewer, der mehr Erzeugnisse bewertet und weniger Boilerplate selbst schreibt. Review-Kompetenz und das Verständnis für Modellgrenzen werden wichtiger als je zuvor.

Fuer Nicht-Programmierer und Fachexperten

Sprachmodelle senken die Einstiegshürde ins Coding erheblich - aber sie machen euch nicht zu Softwareentwicklern. Setzt KI ein, um konkrete Aufgaben programmatisch zu lösen, plant Iterationsschleifen ein und nutzt Bot-vs-Bot-Reviews als Qualitätssicherung.

Fuer Fuehrungskraefte und Entscheider

Wer KI-Coding-Tools einführt, sollte klären, ob der erzeugte Code ein dauerhaftes Asset oder ein Einmal-Werkzeug ist - und daran die Anforderungen an Review-Prozesse und Datenschutz (insbesondere Intellectual Property) ausrichten.

Volltranskript anzeigen

Speaker0: Podcast. Herzlich willkommen zu 1 neuen Folge von Podcast. Mein Name ist Theo Steininger und heute bei mir auf der blauen Couch

Speaker1: Maxim Greiner. Hi, Maxim. Genau. Hauptsache nicht auf der schwarzen Couch oder wie war das? Oje. Okay.

Speaker0: Ab ins richtige Thema dieser Folge. Und zwar wollen wir uns heute unterhalten über Coding mit Sprachmodellen, also sprich dem Erstellen Genau. Und vor allem dem Kollaborativen, das heißt, gemeinsam mit der KI erstellen von Softwarecode. Und bevor wir da ins Thema einsteigen, zum Zeitpunkt der Folgenaufnahme heute gab's eine echt interessante Nachricht. Und zwar wurde ja das Heidelberger Start-up Alef Alpha schon das ein oder andere Mal in den Medien behandelt.

Speaker1: Und Genau, als deutsche Antwort auf OpenAI, ne? Genau. Oder zumindest auf ChatGPT.

Speaker0: Und da gibt's das Neues.

Speaker1: Ja, die haben Geld gesammelt, ne, und zwar bei einigen Schwergewichten der deutschen und auch weiteren europäischen Industrie. Und was war die Gesamtsumme? 1000000000 Dollar, ganz genau. Weißt Du grad, bei welcher Bewertung? Ich hab's grad nicht im Kopf. Bewertungen weiß ich nicht.

Speaker0: Okay. Aber zumindest die die Franzosen damals, die Misstral, die haben ja

Speaker1: 130. Ja, die haben irgendwie 130 oder so Millionen Dollar eingesammelt und Ja, gut, jetzt sind wir schon bei 500000000,

Speaker0: also Bei den Mistrals war die Bewertung auf jeden Fall Faktor 2. Stimmt, ja. Ja, genau. Also

Speaker1: man sieht die europäische Industriepolitik wahrscheinlich auch, aber auch die private Industrie, die möchte nicht von US Unternehmen da komplett abhängig werden. Wie gut das jetzt funktionieren wird, wir werden sehen. Ich mein, es sind jedoch einige US Konkurrenten, die ja gerne OpenAI da den, wie sagt man denn, wie sagt man da nicht, das Wasser abgraben wollen, sondern irgendwie die son bisschen vom Thron stoßen, aber bisher behauptet sich OpenAI ganz gut. Also wir sehen ja auch bei vielen Tasks, die wir so umsetzen, auch jetzt wieder beim Coding, es ist schon meistens das Beste, das mit GPT 4 zu machen. Also ich bin gespannt, wie sich das entwickelt. Hast Du willst Du 'n Tipp abgeben, wie lange und ob OpenAI sich auf Platz 1 der Sprachmodelle behaupten kann?

Speaker0: Am Ende wird sich's wahrscheinlich equalibieren und vielleicht ergibt sich's dann über entsprechende Rahmenbedingungen wie zum Beispiel das Threads, der Twitter Konkurrent von Meta Ja. Dass der in Europa nicht verfügbar ist, liegt er einfach nur daran, weil sie sich nicht mit den DSGVO Mhm. Richtlinien herumschlagen möchten. Also vielleicht ist es technologisch dann equalibriert. Nur die Amerikaner, die nutzen halt die US Technologien und die Chinesen nutzen chinesische Technologien. Ja gut, das ist ja tatsächlich Ja. Das hat sich ja schon bei Suchmaschinen und Genau. Und sonstigen Sachen rauskristallisiert, aber zwischen Europa und den USA Ja, das ist hat ja eigentlich immer alles von denen übernommen. Das ist das Wort. Also angenommen, besser gesagt. Aber aber spannend zu sehen, dass zumindest jetzt bezüglich der KI Technologie nicht das Gleiche passiert wie bei den Suchmaschinen. Da hast Du recht, ja. Also wir sind gespannt, wo die Reise ist es hier. Ist es hier. Aber meine, es gab ja auch mal Lycos und VISA.

Speaker1: Ist gar nicht, wo die herkam, aber bei den Suchmaschinen hat's ja nicht geklappt, sagen wir mal so. Ja. Oder das ist eine Nische, nicht Google zu benutzen.

Speaker0: Ich drück auf jeden Fall den Leuten von Alef Alpha in Heidelberg die Daumen Toi, toi, toi. Dass sie sich behaupten, dass das Funding auch gut eingesetzt kriegen. Würde uns auch zugutekommen, denn je mehr Bots und Sprachmodelle wir in unserem Baukasten haben, desto mächtiger wird unsere Plattform. Also von daher Genau, wir wollen ja nicht und sind auch nicht ein weiteres Rapper Start-up Ja. Wie sie jetzt grad durch die Krise geschüttelt werden dadurch, dass ChatGPT jetzt 'n PDF Upload Button hat. Ja. Ui, ui, ja, das ist wirklich crazy. Mit Hinblick auf den den Titel der Folge oder der Folge, also Coding mit mit AI, Vielleicht steigen wir da mal ein. Und ich fänd's das sehr, sehr spannend, Maxime, wenn Du mal aus deiner Profibrille 'n Blick, einfach mal 'n spontanen Blick drauf werfen könntest. Weil Du ja jemand bist, der tendenziell eher den Code selber schreibt Mhm. Als das zu delegieren beziehungsweise erst recht nicht an eine KI zu delegieren. Richtig, ja. Ja.

Speaker1: Gut, also wofür Fangen wir mal für mich persönlich an. Wo wo setze ich LLMs beim Coden ein? Ich setze sie dann ein, wenn ich mit Packages arbeite oder mit Sprachen, mit denen ich nicht sehr bewandert bin. Oder irgend einen Spezialfall, wo also seien wir ehrlich, Co Coden ist ja auch irgendwie immer ein Browser Tab Stack Overflow und einen Browser Tab Google nebenher offen haben. Und mittlerweile hast Du halt dann dazu noch die Möglichkeit, okay, fragstes Sprachmodell. Weil beispielsweise, wenn ich jetzt ChatGPT 4 schreibe Frage, hey, wie programmiere ich eine Streamlit App, die mir irgendwie Slider hat mit mit den richtigen Begrenzungen und vielleicht Abhängigkeiten zueinander. Das ist schneller, wenn ich GPT-vier frage, als wenn ich in die Doku schaue oder wenn ich's selber mache und quasi mit Auto Complete der Klassen und Funktionen zusammenreime. Wenn's jetzt Numpi- und Pandas Code geht, da bin ich selber noch schneller, weil ich's so oft benutze.

Speaker0: Mhm.

Speaker1: Aber auch da, hey, dann wenn ich wenn wenn wenn wenn ich einfach nur auf Enter drücken muss und es schneller war, in natürlicher Sprache zu schreiben, was ich möchte, als das zu tippen in Code, dann ist es auch da praktisch. Aber der der Hauptnutzen ist für mich, wenn ich einfach es noch nicht auswendig weiß, wie's geht. Mhm. Und das ist natürlich häufig der Fall, weil wer macht schon alles jeden Tag? Ja, das ist im Endeffekt die konsequente

Speaker0: Extrapolation. Erinnerst Du dich an an das Start-up Bambu Lab? Die Pandas per Ja, ja.

Speaker1: Smart search und Drop down und so weiter. Ja, genau. Und die hab ich jetzt auch häufiger gedacht, ob Die wurden ja gekauft von Dataricks.

Speaker0: Ich weiß nicht, von wem, aber auf jeden Fall noch zu 'nem guten Zeitpunkt. Ja, ja, ich weiß nicht, ob's heute noch so Nee, die werden auf Also heut wär das nicht mehr konkurrenzfähig. Vielleicht kurz für die, die Bambou Lip nicht kennen. Das war 'n Plug in für Juppyter, für Juppyter Notebooks. Genau. Und man konnte dann interaktiv sich über auch eine schlaue zusammenklicken, was man denn haben möchte. Also Von Pandas. Von Pandas. Zwar nur Pandas. Nur Pandas ist ja sehr mächtig. Ja, genau. Aber man konnte jetzt sagen, okay, filtere jetzt mal diese, also zwar aber nicht als natürliche Sprache, sondern über Buttons, filtere dieses Data Frame nach den und den Einträgen und dann kam halt der richtige, total komplizierte teilweise Pandas Befehl raus. Und heute würd man das natürlich direkt über Sprachmodell machen. Genau, das ist 'n gutes so irgendwelche bisschen exotischeren Pandasachen.

Speaker1: Bist Du das hingekriegt hast und da ist so GPT-vier einfach super drin. Das kriegt das dann hin. Wenn wir aber mal kurz von mir weggehen als Ja. Also oder von dem Data Scientist als User. Es ist megacool auch, glaube ich, für die Leute, die eben nicht Python oder andere Sprachen flüssig lesen können, sondern die da erst mal eine riesen ein Die Eintrittshürde gegenüber arbeiten mit Code haben, aber sich gleichzeitig nicht dafür fürchten, ne? Du musst natürlich die Offenheit haben, aber die können ja in natürlicher Sprache schreiben, machen ja bei uns jetzt auch im Sales zum Beispiel Leute, in natürlicher Sprache das schreiben, was sie wollen, sich dann zum Beispiel irgendwelche Python Befehle zu generieren, mit denen sie aus 'ner längeren Excel irgendwelche Essentials raus destillieren können. Mhm. Ja, und ich würd's das so formulieren,

Speaker0: bei den früheren Tools oder dem Ansatz, den wir jetzt als Erstes diskutiert hatten, da musst Du schon wissen, wonach Du suchst, also zumindest konzeptionell. Ja. Und jetzt hilft dir plötzlich das Sprachmodell auch noch beim Denken, rauszufinden, was Du überhaupt haben möchtest. Ja, genau. Also Das ist wirklich 'n Phasenübergang oder also Ja,

Speaker1: der von 0 auf 1 Teil auch für für mich ist häufig, welche library wär's denn? Mhm. Ja, also weil zu wissen, Du willst Du weißt ungefähr, was Du tun willst und dann die library dafür zu finden, ist manchmal gar nicht so einfach Ja, das stimmt. Mit herkömmlichen googeln und so. Und da ist dann son Sprachmodell, findest zumindest die populären Libraries kennt das halt einfach. Und das ist halt dann dann echt cool.

Speaker0: Wenn wir uns mal ganz kurz anschauen, was heute schon geht und was noch nicht geht. Mhm. Also ich hab oft den Eindruck, vor allem in der breiten Öffentlichkeit, also Du hörst total oft, ich hab's heut tatsächlich auch in 'nem Gespräch wieder gehört, alle Informatiker werden also, nee, Entschuldigung, nicht alle Informatiker, alle Programmierer werden über kurz oder lang arbeitslos werden, ja. Und das Bild, das da irgendwo verankert ist, ist das der omnipotenten Programmier KI, der Du einfach nur 'n Link zu 'nem GitHub Repo gibst. Mhm. Und dann sagst Du, okay, bau mir mal jetzt einen Webstore für Karotten. Und das am besten verlinkt mit dem Warenwirtschaftssystem hier und eine Stripeeinbindung für die Bezahlung dort. Und am besten noch eine Logistikeinbindung hier und das Ganze in den und den Design,

Speaker1: großer grüner Knopf Ja. Drücken, go, ja? Und dann rattert's und irgendwann kommt die perfekte App raus. Ja. Ey, wer weiß, vielleicht geht das ja bald. Aber im Moment Na ja. Ist es, sag ich mal so, wenn wir sagen, Coding mit KI, also oder mit den Sprachmodellen, was gut funktioniert, sind kleinere Schnipsel. Mhm. Sub 200 Zeilen, sagen wir mal so, von der Größenordnung. Also da ein richtiges Softwareprodukt mit irgendwie Klassen und so weiter rauszukriegen, da da sind wir noch nicht. Und ich meine, teilweise ist es ja auch so, Du fragst ChatGPT 4 nach irgend 'ner 'ner Klasse und dann baut er dir das Skelett und irgendwie die Enit Methode und so weiter und dann steht da irgendwie Kommentar so, ich weiß grad das Wording nicht, was dann da steht, aber sozusagen so ähnlich mache ich jetzt weiter oder so was, sagt er dann. Also die großen Sachen kommen noch nicht raus und es beschränkt sich dann auch selbst, weil weil sie wissen, dass es halt dann eher nicht funktionsfähigen Code generieren würde. Ja. Wenn Du sagst,

Speaker0: Sub 200 Zeilen, dann meinst Du damit innerhalb 1 einzigen Prompts, oder? Also in 1 einzigen Response. Ja. Und wenn Du dir die Frameworks anschaust, es gibt ja, wie wie heißen die? So was wie. Ja. Oder oder oder diese, ich nenn's mal, diese nichtlokalen Frameworks. Wie ist dein Eindruck da? Was meinst Du mit nichtlokalen? Na ja, die nicht nur in 1 einzelnen Datei rumforschen, ja, sondern den, also die den Anspruch haben, tatsächlich auf 'nem ganzen GitHub Report Okay, ja. Zu operieren, ja. Wie wie wie siehst Du da den aktuellen Stand?

Speaker1: Also, was Ada ja macht, ist, sich diese C-Text zu zu generieren. Was ist das zu benutzen? Ja, das sind also das sind letztendlich, stell dir vor, dass die ganzen Klassen und und und Funktionen in deinem in Repo und in welchen Files die liegen. Und was was sich Ada halt erst mal generiert, ist sone Art Übersicht, welche Files gibt es und wie heißen die Funktionen und Klassen da drin? Weil irgend Er kann ja nicht den ganzen Code ins Gedächtnis von ChatGPT packen, aber er kann die sozusagen diese ganzen sammeln und dann da reinpacken. Und dadurch kann er sich innerhalb 1 orientieren und zum Beispiel 1 Klasse eine Funktion hinzufügen oder eine Funktion umändern und so weiter. Aber das sind alles wieder atomare Änderungen. Mhm. Also er kann jetzt sagen, hey, ich brauche dass dieser ich brauche, dass irgendwie Funktion a soll nicht nur 1 plus 1 rechnen, sondern jetzt auch noch zusätzlich 1 plus 2, ja? Dann macht er das wunderbar und es bettet sich dann ein in den Rest, sodass die Interfaces stabil bleiben. Aber einen Refaktoring zum Beispiel, also die Struktur an sich zu ändern, das kann's meines Wissens nach nicht. Also Du kannst quasi wieder nur Du gehst quasi mit diesem, wie nennt man das sozusagen, mit der mit der Lupe oder dem Teleskop auf sonen 200 Zeilen Ausschnitt oder kleiner und den änderst Du jetzt. Und Du hältst dich so, dass der Kontext dann immer noch passt. Aber das ist natürlich was ganz anderes, als wenn Du jetzt 'n Senior Entwickler hast, der sozusagen sich son Gesamtpackage anschaut und sagt, oh je, das ist ja von 'ner Struktur, sollten wir das komplett anders machen, dann werden wir viel robuster und allgemeiner aufgestellt. Das geht nicht. Mhm, mhm.

Speaker0: Und dann muss man auch noch mal auseinanderhalten, oder? Also man könnte ja den gesamten Code Ja. Aber quasi mit 'ner gigantischen Vorschleife, die immer lokale Änderungen innerhalb von sonem Schnipsel macht. Genau, aber das wär immer noch lokal. Genau, aber das ist nicht, was Du meinst, ne. Nee. Wenn Du sagst, refactoring, da geht's ja drum, eine Architektur komplett mal Genau. Direkt auf links zu krempeln. Genau, ich mein ich mein sozusagen, sich die Aufgabe oder was macht der Code anzuschauen und dann das Ganze viel schlauer zu strukturieren, also komplett umzureden. Ja. Was ich mir da denke, wo vielleicht die Reise hingeht, Du hast Krezi Tags erwähnt. Mhm. Das ist ja eine Metastruktur auf dem Code, die dann in den Code geschrieben wird, quasi als Kommentar. Und wenn Du das weitertreibst, dann müsstest Du ja eigentlich in 'nem Step, fast schon wie sone Datenbank mit aufbauen in Analogie zu dem, was passiert, wenn Du als Mensch dir Code durchliest, ja. Du brauchst ja eine mentale Karte und Abhängigkeiten Genau. Und und 'n Verständnis, was passiert da eigentlich, ja? Genau und das ist ja die die die Herausforderung

Speaker1: und da ist natürlich der Weg über diese Se Text relativ. Also ist ja eine schlaue Idee, weil Du als Mensch ja auch nicht jede Zeile Coach ständig auswendig im Kurzzeitgedächtnis hast, sondern Du baust, wie Du sagst, eine Mindmap Ja, genau. Dass Du halt weißt, was interagiert womit und was hat welche Aufgabe, so auf soner abstrakteren Ebene, damit Du dann in der Irgendwo lokal im Code sinnvoll arbeiten kannst. Mhm, mhm.

Speaker0: Mhm. Jetzt ist es ja ziemlich crazy Ja. Dass man quasi die härtesten architektonischen Probleme erschlägt. Wie stehst Du dazu, wenn ich jetzt mal im Vergleich dazu nenn, Chat Punkt open a I Punkt com. Ich lad eine Excel Datei hoch und dann mach doch GPT da auch ein bissel mit Python rum, nenn ich, sitzen wir einfach Ja. Also übervereinfacht, ne? Aber

Speaker1: wie stehen denn die beiden Welten? Ja, lass uns da noch mal ganz klar zwischen 2 Welten trennen. Es gibt Softwareentwicklung. Mhm. Da wird natürlich Code geschrieben und dieser Code, der wird da Ist aber dafür auch geschrieben, zu überleben oder zu leben und oft benutzt zu werden. Und dann gibt es ja Sachen wie Skripte, die einfach nur für eine One off Analyse da sind und die dürfen dirty sein und und und schlecht und und will ja man sich nie wieder anschauen. In dem Prinzip sind die und mir geht's ums Endergebnis irgendeines Plots oder so was. Mhm. Und wenn ich jetzt irgend eine Erkenntnis aus irgendeiner Excel haben will, dann ist doch egal, wie der Code dahinter aussieht, ja? Da da geht's mir das Erkenntnis, da geht's mir irgend einen Plot, irgend eine finale Tabelle oder irgend eine Prozentzahl oder weiß der Geier was. In der Softwareentwicklung geht's ja einen Git Reaper oder so was, was nachher dann weiterentwickelt werden soll. Und das sind 2 fundamentale unterschiedliche Aufgaben. Und das, was Du beschrieben hast, ich lad jetzt irgendwie eine Excel hoch in Chat Punkt OpenAI oder in irgendeinen Rapper Mhm. Darum, dann ist der Code wahrscheinlich dann relativ wurscht, sondern ich möchte einfach eine Frage beantwortet kriegen. Ja, solange es Richtige tut. Also das wär das Einzige, wo ich mir denke Ja, genau. Passiert mich der Code, dass ich mir angucke, ob ob Ja, wenn Du das ist wenn Du Code literet bist, dann möchtest Du es das natürlich gerne anschauen, vielleicht eingreifen zu können. Das ist dann so wieder das Thinking Step by Step. Möchtest Du erst den Code sehen und dann ausgeführt sehen oder oder gleich springen vorwärts zur Antwort? Und aber und dieser dieser Code, der kann ja Also der wird jetzt zum Beispiel bei OpenAI in soner kleinen Sandbox ausgeführt. Das heißt,

Speaker0: halt isoliert von allem anderen, da gibt's keinen längeren State, da gibt's keine Code Base oder irgendwie so was dergleichen. Ja, am Ende ist irgend eine virtuelle Maschine, ne, die die dann gekillt wird. Das ist zumindest die Sessions, die x Genau, genau, genau. X Minuten, ja. Okay und wo in dem Ganzen in der Gemengelage würdest Du Copilot von GitHub einordnen? Also sprich, Microsoft? Ja, also Copilot ist,

Speaker1: wenn man immer gemein ist, ist es ein fancy Auto Complete, Aber natürlich sehr cool. Also Copilot ist definitiv, also bringt dir fast gar nichts, wenn Du jetzt eine Frage an irgendeine Excel hast oder so was. Also für dieses, ich bin jetzt ein Noop, kann nicht viel mit Code machen und hab aber eine Frage an einen Datensatz oder irgend eine kleine kurze Aufgabe, da ist schon ziemlich nervig, das mit Copilot zu machen. Da müsstest Du ja immer versuchen, in den Kommentaren die Schritte zu schreiben. Ah, das heißt, Du musst die Schritte auch erst mal selber kennen. Dafür ist es nicht gedacht. Es ist gedacht für den Developer, der halt wiederum innerhalb dieser 200 Zeilen grad einfach beschleunigt wird. Mhm. Und die Struktur außen rum, warum gibt's eine Klasse und und und welche Klasse gibt's überhaupt? Die kommt dann wieder vom Developer. Das macht nicht der Co Pilot. Und umgekehrt, sozusagen die die die quasi kleinen Ausführungen in Chatpunkt OpenAI, die generieren die helfen dem Entwickler eigentlich nicht, aber die helfen demjenigen, der einfach nur son der gar nicht weiß, wo er anfangen soll und einfach nur nur aus 'ner natürlichen Frage zu 'ner Coachunterstützten Lösung kommen will. Mhm, mhm. Das heißt, da haben wir son bisschen diese 2 Welten. Und das bringt uns ja auch son bisschen Beide Welten sind son bisschen unbefriedigend, ne? Also der innerhalb der IDI, das hilft nur dem Developer, der bereits schon total tief drin ist. Und innerhalb von sonem Chatinterface macht dann diesen Sandbox Funktionen, die Du dann nicht korrigieren kannst und so weiter, da kommst Du halt nur Da da da kommst Du über eine gewisse Komplexitätsschwelle nicht hinaus. Und wir haben uns ja jetzt überlegt, wie kann man diese wie kann man da diesen diesen Graubereich dazwischen, sag ich mal, wie kann man da reingehen? Ja. Und da da das das da beginnt dann das iterative Arbeiten mit dem Code, den dir ein ChatGPT erzeugt hat. Das heißt, das Ausführen vom Code, das Zurückspielen der Outputs an den Code, so wieder mit Human in der Loop und dem Feedback des Menschen dahin zu gehen, dass Du zu Dass Du die Aufgabe so erfüllst, wie wie Du es haben willst. Also dass der die Rolle vom vom vom Sprachmodell von ChatGPT ist, wie so der der Python Guy, der neben dir sitzt, aber der eigentlich gar nicht weiß, was was jetzt die Aufgabe grade ist. Sondern wenn Du letztendlich schon anweist, was zu tun ist, aber der programmiert's dann halt. Der besetzt die natürliche Sprache in Code.

Speaker0: Ja. Ich fand das total krass. Ich weiß gar nicht, ob ich dir das mal erzählt hab. Ich schau mir bei diesen ganzen Frameworks, die Codegenerierung mit Bots automatisieren. Und wenn das sind, am Ende ist es ja irgendwie 95 Prozent Code, Ja. Das Ganze irgendwo zu integrieren. Und dann gibt's so diese diese paar heiligen, nämlich die die Prompts, mit denen die Sprachmodelle dann gesteuert werden. Und ich fand einfach nur krass, ich weiß nicht mehr genau, welches Framework das war, aber die hatten halt einfach eine harte Schleife, ja, und zwar Python Code bei dem ersten beim ersten Schleifendurchlauf wird's einfach nur generiert. Und dann, wenn eine, also wirklich son son son if Ich erinner mich. Ich weiß nicht mehr, wie die heißen, aber Ja, genau. Wenn eine kommt, dann nimm die Exception, führ das von vorher noch mal aus mit der Exception und mach das Ganze so lang, bis der Python Code keine Exception mehr wirft. Genau. Und das ist ja ein interessant, also so dieser Autopilot, genau. Ja, genau. Oder dieses oder Auto

Speaker1: Auto GPT ist ja auch, glaub ich glaub, die meinten das sind nicht mit dem Code. Aber Oder waren's die Anyway, also dass Du halt Dass Du einfach sagst, hey, ich geborene dir einmal die Aufgabe, lieber Chatbot und jetzt iterier einfach, bis Du meinst, Du hast sie erfüllt. Und da kannst Du natürlich auch bei interessanten Ergebnissen rauskommen, weil der Sagen wir mal, der Code, der keinen Fehler wirft, ist der Code, der war einfach nur return on. Ja.

Speaker0: Das ist das ist genau der Punkt, also weil Du weißt ja nicht, wo wo wo der Fixpunkt Genau. Dieser ist, ja.

Speaker1: Und da da sind wir wieder in diesen, wie bringst Du da den human in die Loop rein? Ja.

Speaker0: Aber jetzt noch mal jetzt noch mal noch mal konkret. Also wer uns schon 'n bissel verfolgt, der wird ja wissen oder ja, die, die Wissen unsere Plattform Haliberium. Wir haben die mindmap artigen Boards. Genau. Und was wir schon länger jetzt wieder in der Plattform drin haben mittlerweile, das ist ja, dass Du Bots, also ganz konkret Sprachmodelle steuerst über Chatkarten, Du kannst die System Message konfigurieren, ja, da, ja, da, ja, da. Und Kontext reinbringen und so weiter. Und das Ganze haben wir noch mal aufgebaut, Du hast das grad schon implizit erwähnt, nämlich dass Du jetzt auch als Agenten quasi aufgebaut hast. Vielleicht magst Du das noch mal Genau. Erklären, was damit auch Vielleicht noch mal, warum überhaupt, ja? Warum überhaupt? Weil

Speaker1: Also Du möchtest nicht nur diesen Sandbox Code haben, sondern Du möchtest Code, der auch Zugriff hat auf deine deinen Workspace, also in unserem Fall ja diese diese virtuelle Festplatte in der Cloud, damit er mit Dateien arbeiten kann, die Du da die Du da abgelegt hast,

Speaker0: nicht triviale Dinge zu tun. Also Du sprichst, dass Du nicht jetzt alles, womit Du arbeiten möchtest, immer wieder hochladen und wieder hochladen. Ja, oder auch. Weil's vielleicht mehrere Sachen sind Ja.

Speaker1: Und und vielleicht verschiedene Sachen ineinandergreifen, brauchst Du irgendwie einen Workspace. Mhm. So. Und gleichzeitig möchtest Du aber dieses diese diesen diese starke Verknüpfung zu der natürlichen Sprache behalten. Das heißt, Du hast son Konversationsstrang, wo Du vielleicht erst mal mit dem Bot überhaupt eine Strategie erarbeitest und dann möchtest Du dir jetzt überführnen Code, ohne dass Du dann ständig 'n Copy Paste Toolbruch hast und so weiter. Und nachdem wir ja bereits diese Kontextmechanik haben, Du redest zum Beispiel mit 'nem Strategen und übergibst dann die Ergebnisse als Aufgabe an einen Bot, der aufgesetzt ist als der Executioner oder so was. Warum soll der Executioner nicht gleich dann den Code ausführen? Und aus diesem Gedanken heraus haben wir einfach gesagt, na ja, was ist 'n Juppiter Kernel, 'n Python Kern? Das ist doch auch irgendwie 'n Prompt prompt und Response. Genau. Warum warum nicht genau das vereinen? Und das Und mit dadurch, dass wir das jetzt gemacht haben, hast Du halt die wunderbare Möglichkeit, dass Du Also Du hast deinen Konversationsstrang, da besprichst Du erst mal, was Du tun möchtest und und verfeinerst die Idee und brichst sie runter in eine überhaupt in Code sinnvoll übersetzbare Aufgabe. Dann übersetzt Du das in Code, führst den Code aus, spiegelst die Ergebnisse zurück an an die Konversation oder auch eine an an eine andere Konversation, die damit was machen kann, kannst aber auch die die Dateien, die Du erzeugst, die Tabellen und so weiter als Dateien wirklich speichern auf der Festplatte, an einem zweiten Codestrang damit zu arbeiten. Ja. Und so kannst Du wirklich dann so im Divide and Conquer auch als Newbie, der kaum Python Code oder gar keinen Python Code versteht, programmatische Aufgaben lösen. Wichtig, keine Softwareentwicklung, sondern das Lösen von Aufgaben durch Code.

Speaker0: Ja, wobei ich würd ich würd da jetzt schon 'n Schritt weitergehen. Und zwar, ich hab ein Beispiel im Kopf grade, was ich neulich aufgebaut hatte, nämlich 'n digitalen Zwilling zu bauen und den als Simulator durchzuspielen. Und das, was Du grad vorhin meintest, mit erst mal konzeptionell sich der der Sache nähern, wie hab ich das gemacht? Technische Dokumentation gab's zu dem System. Und ich glaub, das waren mehrere 100 Seiten, ich wollt das jetzt nicht alles per Hand durchcrunch. Klar. Klassiker. Also technische Dokumentation, gecrunch mit 'nem LLM und gefragt, hey, dieses technische System, aus welchen Komponenten besteht es und welche Funktion haben die Komponenten? Wie greifen die ineinander? Das war quasi die Blaupause erst mal strukturell für, man könnt sagen, das Klassendiagramm. Ja. Und diese Aufbereitung von der technischen Dokumentation, die hab ich dann in Python Code übersetzen lassen und dann, wie Du wie Du auch gesagt hast, ausführen lassen von dem Pythonkernel, beispielsweise die Zeitreihe von diesem physikalischen System simulieren zu lassen. Und der Code, der da hinten rauskam, das war dann schon 'n Asset für sich. Also Stimmt, ja. Der digitale Zwilling, der war was wert. Okay, dann vielleicht da da vielleicht so rumerklärt,

Speaker1: die einzelnen Bausteine sind nicht unbedingt jetzt hohe Softwareentwicklung für sich, aber wenn Du das mit einem strategischen Konversationsstrang kombiniert, Mhm. Der Divide and Concre auch für die Code Bots macht, ja? Das war wichtig. Die richtigen 200 Zeilen hier, 150 Zeilen da und so weiter, wenn die aus 1 Strategie kommen, dann entsteht, wie Du sagst, doch auch wertvoller Code, der der über die kurze Aufgabe erstelle einen Plot hinausgeht.

Speaker0: Mhm. Und was ich da auch spannend fand in der eigenen Arbeit, und zwar, kennst Du das, wenn Du so mentale Switches vornehmen musst, die dich total rausbringen, weil Du quasi jetzt einmal dir Gedanken machst, beispielsweise über das Modell von sonem digitalen Zwilling Ja. Und dann denkst, okay, jetzt muss ich das den digitalen Zwilling nehmen und die Zeit rein simulieren. Dann bist quasi gedanklich total drin, okay, wie bau ich jetzt die den Zeit rein Simulator? Und dann musst ich, wenn Du den hast, wieder zurückdenken in den in den digitalen Zwilling. Mhm. Und das wär echt geil zu sehen, weil was ich machte, war halt einfach zu sagen, okay, hier hast die Klassendefinition von dem digitalen Zwilling. Und glaub ich's mal einmal durchgelesen, aber ich hab halt einfach nur an 4 gesagt, okay, jetzt bau mir bitte 'n Simulator, der mir eine Zeit reinmacht mit 1000 Datenpunkten von bis. Und das hatte mich dann nicht rausgebracht. Weißt Du, wie ich mein? Also ich war immer noch total im Denkmodus digitaler Zwilling und nicht, okay, jetzt mal Fuck, jetzt muss ich erst mal 'n Simulator bauen. Ja, genau. Du hast da diesen Du hast da diesen diese Aufgabe halt delegiert und dadurch konntest Du in deinem Fokus bleiben. Und das ist ja genau das,

Speaker1: warum wir das in die Boards so gebracht haben, damit Du diese verschiedenen Aufgabenstränge miteinander in Beziehung setzen kannst. Es gibt den Aufgabenstrang aus 1 technischen Spezifikation, sich überhaupt mal einen sinnvollen digitalen Zwilling zu überlegen. Dann gibt es die Aufgabe, den als Klasse zu coden. Dann andere Aufgabe, damit einen Generator zu schreiben, der der Daten simuliert. Und wiederum wäre es eine andere Aufgabe, einem ein Machine Learning Modell zu schreiben, was dann nachher auch nicht simulierte Daten nehmen kann, Parameter zu schätzen oder Vorhersagen zu machen. Und alles kannst Du aber in einem Board miteinander in in Beziehung setzen, sodass es alles auch zueinander Sinn macht, indem Du die richtigen Dinge als Kontext dem anderen Konversations- oder Codingstangen übergibst. Und dadurch möchten wir halt diesen Spagat schaffen zwischen Du hast den Newbie, den Du überhaupt erst mal von natürlicher Sprache überhaupt in eine Coding würdige Vorgehensweise bringen musst und Du hast den den Ada, so Command Line Tool, was eigentlich ein bestehendes Git Repo braucht, wo schon die Software steht und jetzt nimmst Du punktuelle Funktionen und Änderungen vor. Ja.

Speaker0: Ja, ich find's ich find's megamächtig.

Speaker1: Wir wissen selber noch nicht, was alles damit möglich ist. Wir sind grad noch son bisschen am am Spielen und Spaß haben.

Speaker0: Und nutzen's gleichzeitig schon in in konkreten Präken. Das find ich so krass, Ja, ja. Ja, dass dass, obwohl das relativ frisch ist,

Speaker1: unmittelbar 'n Mehrwert liefert. Klar, für Data Science liebst Du diese experimentierfreudigen

Speaker0: Sachen. Und das bringt mich aber jetzt zur nächsten Fragekategorie, nämlich Überschrift Sicherheit. Also wenn wir vielleicht da mal kurz einsteigen, Maxim, weil Sicherheit hat ja ganz viele Aspekte Mhm. Von der Qualitätssicherung hin zu Datenschutz. Wo bewegen man uns denn da? Genau. Also dann

Speaker1: gibt es 2, wiederum diese Trennung zwischen ist der Code nur Mittel zum Zweck oder ist der Code mein mein mein mein mein Schöpfung? Ja, ja, genau. Mhm. Und wenn der Code nur Mittel zum Zweck ist, dann will ich eigentlich nur, dass der der halt keinen totalen groben Unfug macht und einfach sozusagen meine Festplatte löscht, sich ins Pentagon hackt und und eine DDoS Attacke an die Bundesregierung sendet, ja? Also und wenn man so bei Open Alien und so was, dann sind die auch immer mit Disclaimer, der Code sollte eigentlich erst gelesen werden und bla bla bla bla bla. Aber ehrlich gesagt, wenn der Code nur Mittel zum Zweck ist, zu richtigen Blödsinn macht GPT-4 eigentlich meiner Erfahrung nach nicht. Es ist noch nie einfach mal meine Festplatte gelöscht oder so was. Und das heißt, wenn's mich nicht so sehr interessiert, dann kann ich einfach sagen, okay, der Code, ich bin jetzt der, der den Code sowieso vielleicht nicht versteht. Ich iterier jetzt einfach damit mit dem Erzeugendes, was rauskommt, der Tabelle, dem Plot oder sonst was, bis es für mich passt. Ist eigentlich wunderbar. Ja, klar, 'n bisschen Du Du trägst das Risiko, dass er nicht deine Dateien löscht, aber GPT 4 hat das meiner Erfahrung nach noch nie einfach gemacht. Wenn jetzt Code aber wiederum dein Erzeugnis ist, dann hast Du 2 Aspekte. Codequalität, Mhm. Du Du musst Code reviewen, der von GPT-vier erzeugt wird, wenn's dir nicht nur darum geht, dass er etwas tut, sondern dass er auch 'ner gewissen Qualität oder 'n gewissen Style oder einfach 'ner gewissen Struktur genügt. Das heißt, Du brauchst immer noch den Senior Developer Blick darauf, wie's halt bei der Entwicklung 1 Juniors auch der Fall wär. Ja. Das heißt, der der der der Programmierer, zumindest der Senior Programmierer, der der wird überhaupt nicht arbeitslos, sondern der hat halt umso mehr Erzeugnisse zu reviewen. Und ganz wichtig, wo liegt denn der Code, wo beziehungsweise wo wurde er analysiert und erzeugt? Mhm. Weil intellectual property mäßig. Also wenn Du jetzt deinen Code an Open AI schickst und nachher sagst Du, hey, das ist unser Code, den verkaufen wir Ja. Und der liegt aber bei Open AI in deren Trainingsdatensatz, dann kommt der in Konflikte. Deswegen Sind wir wieder bei Alef Alpha und misst RaleAI, ja. Ja, ja, genau. Oder zumindest halt, so wie wir's ja machen, nimm das Azure Deployment Mhm. Der GPT Modelle, wo die Daten deine bleiben. Hast Du noch mehr Fragen zur Security da oder reicht dir das als Antwort?

Speaker0: Na, ich würd vielleicht nur gern einen Punkt unterstreichen wollen, und zwar den des Reviews, Mhm. Dass man sich nicht drauf verlassen kann, den autogenerierten Code einfach durch durch diese standardisierten Code Quality durchzujagen wie Sonna Cube, ja. Also explizit nicht. Es sind Logik, Logikchecks Ja, es geht nicht Sinntagsstyling, ne. Ja, richtig, genau. Und das ist das ist das Gefährliche tatsächlich. Der Code sieht saugut aus äußerlich. Mhm. Aber ob er inhaltlich das Richtige macht, steht halt auf 'nem anderen Blatt.

Speaker1: Genau. Also wenn es Softwareentwicklung geht, dann ist das 'n cooler Beschleuniger, aber Du musst den Developer Blick drauf haben und dann noch mal was korrigieren.

Speaker0: Aber dann jetzt mal konstruktiv gedacht. Wenn man Richtung Best Practice überlegt. Also wir haben jetzt schon diskutiert, klar, Reviews sind wichtig, wichtig, wichtig. Was kann man denn tun, deiner Meinung nach, also kann man vielleicht 'nem Sprachmodell auch unter die Arme greifen, dass es eher nicht vergaloppiert? Ja, also

Speaker1: wieder was macht Wenn ihr jetzt ja sagt, okay, ihr müsst den Code reviewen, ja toll. Und wenn ich kein Kody bin, kein KODA, Mhm. Dann kann ich's also nicht benutzen oder was? Ist ja irgendwie kacke. Das heißt, für die Nichtcoder, ja? Erstens für die Nichtcoder, ihr werdet mit GPT oder anderen werdet ihr nicht zu Software Entwicklern automatisch, sondern es geht bei euch darum, Code zu erzeugen als Mittel zum Zweck, was Bestimmtes zu erreichen. Das heißt, da ist das das Qualitätsargument erst mal nicht ganz so gravierend, wie wenn der Code assasset an sich ist. Aber es schadet nicht, das zu überprüfen zu lassen, dann überprüft es von einem GPT-vier, den ihr als Reviewer aufsetzt, ja? Wir haben ja schon öfter dieses Bot versus Bot. Ja, genau. Machen wir ja auch bei Texten und so weiter Mhm. Aber noch mal den kritischen Blick 1 an anderen 1 anderen Konversationsstrangs, der dadurch 'n anderes anderen Kontext, 'n anderes Kurzzeitgedächtnis hat, ob das so Sinn macht, ja? Das funktioniert wunderbar. Kann man machen und es gibt kein Ersatz für den Senior Development bei einem Software Produkt. Mhm. Aber für auf Basis, ich mache Code als Mittel zum Zweck, weil ich eine Aufgabe zu zu erledigen hab, funktioniert das wunderbar. Und beim Software Development, da muss man 'n bisschen vielleicht auch einfach akzeptieren, dass ein GPT-vier son bisschen seinen eigenen Programmierstil hat. Der ist halt auf gewissen Code trainiert und optimiert und könnte jetzt nicht sagen, hey, ich erwarte aber, dass der so den dem dem Linding folgt oder dem Styling, wie ich's in meinem Projekt sonst hab. Wir können natürlich über Prompt Engineering versuchen, den hinzukriegen, aber es wird mühsam. Mhm. Also

Speaker0: also Du Du argumentierst in eine Richtung eher, sich an die an den Stil

Speaker1: von dem jeweiligen Modell zu halten, einfach damit man nicht zu viele Dinge verdrehen und verbiegen muss. Also Du musst jetzt nicht, glaub ich, anfangen, deinen von Hand geschriebenen Code alles in diesem Stil zu zu zu verfassen, wie das LLM coated. Mhm. Aber Du musst einfach damit leben, dass es 'n gewissen Style hat und den dann halt einfach vielleicht integrieren in das, was Du hast.

Speaker0: Ja, ich hab das schon gemerkt. Also konkret bei so kleinen Streamlit Apps hat ja jeder seinen eigenen Style. Ja. Und am besten hat auch das Refaktoring funktioniert, wenn der Code, egal wie komplex, auch schon ursprünglich aus der Feder Ah ja. Vom Sparmungsmodelling

Speaker1: macht's Sinn, ne. Ja, weil weil er den hat Verstehen tut er ja jeden Code, der taktisch sinnvoll ist und nicht zu lang und zu komplex. Genau, genau. Aber in in dem Stil, in dem er's ausspuckt, versteht er's auch am besten. Wichtig aber, ob Du jetzt Codesavi bist oder nicht, sei bereit, Iterationsschleifen mit GPT zu drehen. Also wenn Du als Nichtcoder eine Aufgabe hast und sagst, hey, ich hätt gern auf Basis dieser Excel mit dem Namen so und so und so und so. Ich hätte gerne ein Balkendiagramm, was so und so das und das darstellt, dann erwarte nicht, dass es beim ersten Mal sofort alles perfekt da ist, sondern sei bereit, zwei-, drei-, vielleicht sogar viermal bisschen zu iterieren, Feedback zu geben, nein, das meinte ich nicht. Ich wollte eher das oder das.

Speaker0: Das gehört einfach dazu. Ja. Und auch dem Modell die Chance zu geben, mit sich selbst zu iterieren. Also ich hatte es schon Ja, beim Debarging vor allem, ja. Sehr, sehr häufig, genau. Dass es 'n Code baut und dann gibt's eine Exception und dann drehst Du die Schleife und dann, ach ja, stimmt, das Keywordargument ist ja seit Version 24 12 veraltet. Der richtige Code ist der ja, ne? Also Genau, genau.

Speaker1: Also iterieren gehört dann einfach dazu. Und genauso wiederum beim beim beim Senior Development, der mit mit GPT, der wird dann auch zum Beispiel sagen, da wird er mal per Hand in den Code eingreifen und dann wiederum diesen als Ausgangsbasis nehmen für, hey, Sprachmodell, mach jetzt mit meiner Korrektur da und da weiter. Ja, genau.

Speaker0: Blick in die Zukunft, Maxim. Ah ja, immer gern. Wo geht denn die Reise hin?

Speaker1: Ja, im Prinzip, wenn man sich jetzt grad anschaut, was was passiert ist jetzt in den letzten Wochen, wo Also die die Wellen, die geschlagen sind, weil OpenAI jetzt einen Upload PDF Button hat. Also ich fand's 'n bissel

Speaker0: übertrieben. Ja, okay, ja, ja, ja. Na ja, ich mein,

Speaker1: das ist Ein das ist schon nicht. Für die ist 'n ganz kleines Feature, aber es gab jetzt dann eine Reihe von Start ups, für die das vielleicht existenzgefährdend zumindest wenn man so der der Presse glaubt, ja? Also generell geht es darum, man kratzt immer, man man man man startet die Sprachmodelle mit immer mehr Waffen aus links und rechts und gleichzeitig wachsen aber auch die Sprachmodelle in ihren Möglichkeiten, sodass sie also dass immer mehr dieser Waffen links und rechts obsolet werden. Das heißt, Aufgaben, für die man heute ausgeklügelte Prompt Ketten baut, kann vielleicht das übernächste Sprachmodell out of the box, ja? Und deswegen vielleicht deswegen sich jetzt nicht zu sehr damit verheiraten, wenn man sagt, ah, ich hab jetzt die Möglichkeit gefunden, dass ich damit irgendwie meine Codebase verbessern kann. Das ist immer was, was fließend sein wird. Das heißt, man muss einfach mit diesen Dingen arbeiten Und wenn sie dann geupdatet sind, dann kann es etwas und dafür kann ich bisschen was von meiner meinem Iron Man Suit drumrum dann wieder bisschen zurückbauen oder modifizieren. Das heißt, wir werden einfach damit leben, dass diese Dinge bei gewissen Dingen immer besser werden. Bei anderen Dingen werden wir vielleicht ganz lange noch unter die Arme greifen müssen. Aber ja, also die ich ich erwarte, dass vieles von dem, was wir jetzt als machen müssen, sodass die Viy and Concar, weil's nur bis zu 1 Zeilen kohärent vielleicht codet, ist vielleicht mit, was auch immer dann da kommt, nicht mehr nötig. Oder zumindest sind's dann 500 Zeilen oder 1000, auf die ich's runterbrechen muss.

Speaker0: Ja. Am Ende find ich toll, es geht immer in die Richtung, dass ich mich mehr und mehr auf das konzentrieren kann oder auf die Frage konzentrieren kann, was möcht ich eigentlich? Ja. Ja. Das ist das ist das Coole, ja. Denkt mal im Extremfall, App Programmierung, komplette Autopilot, ja? Mhm. Was ist, wenn ich auf die nächste Iteration von der App nur 'n paar Minuten oder Sekunden warten muss und nicht 2 Wochen oder 3 Wochen fürn Sprint?

Speaker1: Klar, Franzi, wenn Du nur die Kreativarbeit hast, das Welche Features machen wirklich Sinn? Mhm. Und wie sollen sie ineinandergreifen? Ja, ja, ganz genau. Vielleicht kommen wir da in den nächsten Jahren noch wirklich hin. Mhm.

Speaker0: Voll gut. Maxim, vielen Dank. Aufruf und Call to Action in die Community. Wer das Coding Feature ausprobieren möchte bei uns in der Plattform, kontaktiert uns gern über die üblichen Kanäle. Sehr gerne. Wir haben mittlerweile auch 'n Programm, academy jusern mit Credits zu unterstützen auf unserer Plattform. Das heißt, ihr müsst da nicht sofort den Big Corporate Deal mit uns abschließen. Wir können euch in gewissen Grenzen, vor allem wenn's akademische Nutzung, wenn ihr Studenten seid, echt immer gut unter die Arme greifen. Ja. Und in diesem Sinne, danke, Maxim, bis zur nächsten Folge. Bis zum nächsten Mal.

Speaker1: Haut rein. Bis dann.

Speaker0: Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.

Mehr Folgen aus Staffel 6 →