Fachbereich-Schulung
KI in der IT
KI-Schulung für Entwickler und IT-Teams: GitHub Copilot, automatisiertes Testing, Refactoring, Debugging und AI-Ops – 2 Tage praxisnah.
Schulungsziel
Teilnehmende lernen, KI als Entwicklerwerkzeug zu nutzen – für schnelleres Coding, besseres Testing und effizienteren DevOps-Betrieb. Das Training zeigt praktische Anwendungen von KI-Assistenten im gesamten Entwicklungszyklus.
Agenda
- KI-Code-Assistenten im Überblick: GitHub Copilot, Claude Code, Cursor
- Automatisiertes Testing und Code-Review mit KI
- Refactoring und Dokumentation mit KI-Unterstützung
- KI-gestütztes Debugging und Fehleranalyse
- AI-Ops: KI im DevOps-Betrieb einsetzen
- Security-Scanning und Schwachstellenanalyse mit KI
- Best Practices und Qualitätssicherung
Was Sie mitnehmen
Interesse an dieser Schulung?
Vereinbaren Sie ein kostenloses Erstgespräch. Wir passen die Schulung auf Ihre Ziele und Ihr Team an.
Häufige Fragen
Was ist der Unterschied zwischen GitHub Copilot, Cursor und Claude Code – welcher KI-Assistent passt für welche Entwicklungsaufgaben?
GitHub Copilot ist direkt in VSCode und JetBrains integriert und optimal für inline-Codevervollständigung im Entwicklungsfluss. Cursor ist ein eigenständiger Editor mit tieferer KI-Integration für größere Refactoring-Aufgaben. Claude Code eignet sich besonders für komplexe Multi-File-Aufgaben, Architektur-Entscheidungen und technische Analysen im Terminal. Viele Entwickler kombinieren mehrere Tools je nach Aufgabentyp.
Wie kann KI automatisiertes Testing verbessern und welche Testarten profitieren am meisten?
Unit-Tests profitieren am stärksten: KI generiert aus vorhandenem Code automatisch Testfälle inklusive Edge Cases. Bei Integrationstests hilft KI bei der Testdatengenerierung und Stubbing-Strategien. Für End-to-End-Tests können KI-Agenten Benutzerpfade automatisch explorieren und Testszenarien ableiten. Realistisch sind Produktivitätssteigerungen von 40–60% bei der Testabdeckung bei gleichzeitiger Reduktion des manuellen Aufwands.
Wie setzt man KI im DevOps-Betrieb (AI-Ops) sinnvoll ein, ohne die bestehende Infrastruktur zu riskieren?
Sicherer Einstieg in AI-Ops: Zunächst KI für Log-Analyse und anomalie-basiertes Alerting einsetzen (observability), bevor automatische Remediation aktiviert wird. Tools wie Dynatrace Davis, Datadog Watchdog oder GitHub Actions mit KI-Unterstützung sind etabliert. Klare Rollback-Strategien, Canary Deployments und Human-in-the-Loop-Gates für kritische Entscheidungen sind Pflicht bevor vollständige KI-Automatisierung eingeführt wird.
Welche Sicherheitsrisiken entstehen durch KI-generierte Code-Vorschläge und wie verhindert man sie?
KI-Codeassistenten können unsichere Muster reproduzieren: veraltete Kryptografie, SQL-Injection-anfällige Queries, unsichere Deserialisierung oder Hardcoded Secrets. Gegenmaßnahmen: Automatisches Security-Scanning mit SAST-Tools (Semgrep, SonarQube) in der CI/CD-Pipeline, GitHub Advanced Security für Secret Scanning und strukturierte Security-Reviews bei KI-generierten Pull Requests. KI-Code muss wie jeder andere Code dem gleichen Review-Prozess unterliegen.
Weitere Schulungen
Weitere Schulungen aus dem Bereich „Schulungen nach Fachbereichen"