Effiziente Erstellung von moderner Luft- und Raumfahrtsoftware mit Qt

In der Technologiebranche ist bekannt, dass die Technologie von Qt praktisch in allen Bereichen der Verbraucher- und Industrietechnologie eingesetzt wird. Über die Jahre hinweg hat Qt Framework mit seinen UI-Bibliotheken und einer Vielzahl an Funktionen für die Verarbeitung von Netzwerkdaten, Sensorinformationen, Medien und vielem mehr den Standard für die Mensch-Maschine-Interaktion in verschiedenen Branchen definiert. Wir alle kennen mobile Anwendungen oder komplette Desktop-Systeme, die mit Qt entwickelt wurden. Qt Framework ist auch im Automobil- und Industriefahrzeugbereich stark vertreten, mit dedizierten Lösungen, die über Cluster-Displays hinausgehen und auch die Verbindung mit Begleit-Apps, digitale Zwillinge und autonomes Fahren umfassen. Selbst in stark regulierten Branchen wie der Herstellung von medizinischen Geräten verwenden 90% der weltweit größten OEMs Qt für ihre Produkte.

Was vielleicht nicht so bekannt ist, ist, dass Qt Framework auch in einer der am stärksten regulierten und risikoreichsten Branchen, der Luft- und Raumfahrt sowie der Verteidigung, eine wichtige Rolle spielt. Qt Framework kommt in einer Vielzahl von Anwendungen zum Einsatz, von Drohnen-Bodenkontrollstationen und Radarsystemen bis hin zu Bodenfahrzeugen, Simulationssystemen und sogar Autopiloten. Bekannte Qt-basierte Produkte in diesem Sektor sind beispielsweise das weit verbreitete QGroundControl zur Steuerung und Überwachung unbemannter Luftfahrzeuge. Diese Open-Source-Software bietet volle Flugkontrolle und Missionssplanung für MAVLink-fähige Drohnen und verdankt ihre Benutzerfreundlichkeit für Fachleute und Entwickler der Qt-Technologie. Sie ermöglicht unter anderem verzögerungsfreie UI-Aktualisierungen, anpassbare Benutzeroberflächen speziell für Drohnenbetreiber, plattformübergreifende Konsistenz für den Einsatz auf Tablets, Laptops und Kontrollstationen sowie Skalierbarkeit von Hobbydrohnen bis hin zu Verteidigungsanwendungen. Zudem ermöglicht Qt Framework die einfache Entwicklung für kleine Teams, die auf einer einzigen Codebasis arbeiten und schnell auf verschiedene Plattformen bereitstellen möchten. Auch eine Vielzahl von Command, Control, Communications, Computers (C4), Intelligence, Surveillance und Reconnaissance (ISR)-Systemen im Bereich Luft- und Raumfahrt und Verteidigung werden mit Qt entwickelt. Sowohl aufgrund der Funktionen und Fähigkeiten als auch aufgrund der Werkzeuge, die die Produktion beschleunigen, Kosten reduzieren und die Time-to-Market verkürzen.

Quelle: https://www.qt.io/blog/efficiently-create-leading-edge-ad-software-with-qt

Software Testing: Eine Referenzimplementierung als Testorakel

In der Automobilbranche werden immer komplexere Systeme entwickelt, insbesondere im Bereich der autonomen Fahrfunktionen. Diese Systeme müssen einer Vielzahl von Tests unterzogen werden, um ihre Qualität und Sicherheit zu gewährleisten. In einer aktuellen Episode des Softwarequalität-Podcasts sprechen Richard Seidl und Stefanie Leitner über innovative Testansätze in der Embedded-Softwareentwicklung für autonome Fahrfunktionen. Dabei steht die Verwendung von Referenzimplementierungen als Testorakel im Mittelpunkt.

Eine Referenzimplementierung ist eine vereinfachte Software, die auf den bestehenden Anforderungen basiert und unabhängigen Reviews unterzogen wird. Stefanie Leitner beschreibt in der Episode, wie ihre Organisation separate Softwaremodelle erstellt, die als Referenzimplementierungen dienen. Diese Modelle werden basierend auf den Anforderungen des Systems entwickelt und dienen als Grundlage für die Durchführung von Tests. Durch die Verwendung von Referenzimplementierungen können komplexe Systeme effizient getestet werden, da sie leichter zu verstehen und zu überprüfen sind als die eigentliche Software.

Ein weiterer Vorteil der Verwendung von Referenzimplementierungen als Testorakel ist, dass sie als Grundlage für automatisierte Tests dienen können. Durch die Automatisierung der Tests können Entwicklungszeiten verkürzt und die Qualität der Software verbessert werden. Zudem können durch die Verwendung von Referenzimplementierungen mögliche Fehler und Schwachstellen im System frühzeitig erkannt und behoben werden.

Es ist jedoch wichtig zu beachten, dass Referenzimplementierungen nicht als Ersatz für umfangreiche Tests dienen sollten. Sie sollten vielmehr als ergänzende Testmethode verwendet werden, um bestimmte Aspekte des Systems zu überprüfen. Zusätzlich sollten die Ergebnisse der Tests mit den tatsächlichen Anforderungen und Spezifikationen abgeglichen werden, um sicherzustellen, dass das System den gewünschten Anforderungen entspricht.

Quelle: https://www.heise.de/blog/Software-Testing-Eine-Referenzimplementierung-als-Testorakel-10365178.html

Titel: Die Modernisierung alter Computercode mit Hilfe von künstlicher Intelligenz

Einleitung:

Die meisten kritischen Computersysteme, von Online-Banking-Anwendungen bis hin zu Flugticketverkaufsdiensten und Rentenzahlungen, basieren oft auf jahrzehntealten Codebases. Dies erhöht die Kosten sowie das Risiko von Ausfällen und Cyberangriffen. Die Verjüngung solcher veralteter Codes war bisher eine mühsame Aufgabe, bei der oft Millionen von Zeilen Code überprüft werden mussten, um zu verstehen, wie die verschiedenen Funktionen arbeiten. Glücklicherweise wird diese Arbeit dank des zunehmenden Einsatzes von generativer künstlicher Intelligenz immer einfacher. In diesem Blogartikel werden wir uns mit der Verwendung von künstlicher Intelligenz zur Modernisierung alter Codes beschäftigen und die Bedeutung von Softwarequalität in diesem Zusammenhang diskutieren.

Hauptteil:

1. Die Herausforderungen veralteter Codes:

– Die meisten Unternehmen und Regierungsbehörden stehen vor dem Problem, veraltete Codes zu verwalten.

– Die Verwendung alter Programmiersprachen wie COBOL und PL/1 kann die Verfügbarkeit von qualifizierten Programmierern einschränken.

– Die Komplexität des Codes und das Fehlen von Dokumentation erschweren die Wartung und Aktualisierung.

– Die Kosten für die Wartung veralteter Codes können enorm sein.

2. Die Rolle der künstlichen Intelligenz bei der Modernisierung von Codes:

– Ingenieure nutzen heute künstliche Intelligenz-Tools wie ChatGPT, Microsoft Github CoPilot und IBM WatsonX, um den Prozess der Wartung und Aktualisierung zu beschleunigen.

– Anstelle Zeile für Zeile Code zu überprüfen, können große Codeblöcke mit Hilfe der künstlichen Intelligenz hochgeladen und analysiert werden.

– Die künstliche Intelligenz kann den Code erklären, die verschiedenen Teile miteinander verbinden und sogar veraltete Programmiersprachen in modernere Sprachen übersetzen.

– Mithilfe künstlicher Intelligenz können auch Gebrauchsanweisungen für den Code erstellt werden, um die zeitaufwändige Aufgabe der Code-Rekonstruktion zu vermeiden.

3. Die Vorteile der Modernisierung von Codes:

– Die Modernisierung alter Codes kann Zeit und Kosten sparen.

– Unternehmen können Ressourcen für die Entwicklung neuer Tools und Anwendungen freisetzen.

– Die Anziehungskraft auf talentierte Ingenieure wird verbessert, da diese lieber mit modernen Programmiersprachen arbeiten.

– Die Qualität der Software wird verbessert und das Risiko von Ausfällen und Sicherheitslücken verringert.

Fazit:

Quelle: https://sg.hu/cikkek/it-tech/161269/mi-segitsegevel-ujulnak-meg-az-oregedo-szamitogepes-kodok

Takeaways from DjangoCon EU 2025

Die DjangoCon EU 2025 fand in Dublin, Irland statt und war eine großartige Veranstaltung. In diesem Blogartikel werde ich einige der interessantesten Dinge teilen, die ich bei der Konferenz gelernt habe.

Datenbankoptimierung

Eine wichtige Erkenntnis war, wie man DB-Reihen in Django sperrt. Die Methode "select_for_update" sperrt eine Reihe, bevor Änderungen vorgenommen werden, um die Datenkonsistenz in gleichzeitigen Umgebungen sicherzustellen.

Ein weiterer wichtiger Punkt war die Verwendung von BigInt-Primärschlüsseln. Es wird empfohlen, immer einen BigInt (64 Bit) oder UUID für Primärschlüssel zu verwenden. Wenn eine Tabelle nahe an der Grenze von 2,1 Milliarden Einträgen ist, können negative Werte verwendet werden, um den Bereich zu verdoppeln, aber dies hat einige Einschränkungen.

Die Partitionierung von DB-Tabellen nach Mandanten wurde ebenfalls diskutiert. Die Verwendung des "PostgresPartitionedModel"-Mixins hilft dabei, Daten in separate PostgreSQL-Partitionen basierend auf einem Wert aufzuteilen und verbessert so die Leistung für große Tabellen.

Ein weiterer interessanter Punkt war die Speicherplatzoptimierung in Postgres-Indizes. Es wird empfohlen, immer "db_index" explizit für Fremdschlüssel festzulegen. Standardmäßig werden Fremdschlüssel indiziert, aber Sie können die Indizes weiter optimieren, indem Sie eine Bedingung zu einem Index hinzufügen, um die Größe des Indexes dramatisch zu reduzieren (bis zu ~99% kleiner).

Leistungstests und -analyse

Die Durchführung von Leistungstests in Pytest wurde als bewährte Methode zur Sicherstellung einer guten Leistung empfohlen. Dabei werden Daten in die Datenbank geladen und die Zeit gemessen, die die Views benötigen, um sicherzustellen, dass die Leistung gut ist oder um Regressionen zu erkennen.

Wenn Ihre DB/App in der Cloud langsamer ist, wird empfohlen, die Geschwindigkeit der Cloud-Festplatte mit der Geschwindigkeit der Festplatte Ihres Laptops zu vergleichen, um festzustellen, ob das Problem an der Hardware oder an der E/A liegt.

Darüber hinaus wurde darauf hingewiesen, dass bestimmte Netzwerkalgorithmen wie TCP_NODELAY oder Nagle's Algorithmus zu Engpässen führen können. Diese können jedoch durch die Deaktivierung von Umgebungsvariablen zur Verbesserung der Leistung deaktiviert werden.

Eine weitere nützliche Methode zur Analyse von Datenbankabfragen über das Django ORM ist die Verwendung von "EXPLAIN ANALYZE SQL", um den Abfrageplan zu generieren. Dadurch können Engpässe erkannt und besser verstanden werden.

Tools und Bibliotheken

Einige empfohlene Tools und Bibliotheken wurden ebenfalls vorgestellt. "strace" ist ein Linux-Dienstprogramm zur Inspektion von Systemaufrufen, die von einem Prozess gemacht werden, und erfordert keine Root-Rechte.

"Django-neopolitan" wurde als nützliche Bibliothek für einfache CRUD-Ansichten empfohlen. Mit "django-auto-prefetch" können verwandte Objekte automatisch vorab abgerufen werden, um die Anzahl der DB-Abfragen zu reduzieren.

Quelle: https://www.zachbellay.com/posts/djangocon-eu-2025/

Titel: Verbesserung der Softwarequalität durch AI-gestützte Code-Analyse und -Generierung

Einleitung:

Large language models (LLMs) haben die Entwicklung von KI-Werkzeugen ermöglicht, die Entwicklern dabei helfen, schneller mehr Code zu schreiben. Allerdings stoßen diese Tools bei komplexen Aufgaben auf Grenzen, wie beispielsweise das Verständnis von Programmiersprachen, komplexe Abhängigkeiten und die Anpassung an den kontextuellen Code. Dadurch kann die Qualität des Codes beeinträchtigt werden und es können Engpässe entstehen. Qodo ist eine Code-Integritätsplattform, die im NVIDIA Inception-Programm entwickelt wurde und Softwarequalitäts-Workflows mit KI-gesteuerten Agenten für die Code-Erstellung, -Tests und -Überprüfung verbessert und automatisiert.

Kontextuelles Bewusstsein für effektive KI-Unterstützung:

Qodo ist der Überzeugung, dass KI nur dann sinnvolle Verbesserungen der Softwarequalität bewirken kann, wenn sie ein tiefes kontextuelles Bewusstsein besitzt. Code existiert nicht isoliert, sondern innerhalb komplexer Architekturen, sich entwickelnder Abhängigkeiten und spezifischer Kodierungsstandards. Um Entwickler effektiv zu unterstützen, muss KI nicht nur die Syntax verstehen, sondern auch die Absicht, Muster und die allgemeine Struktur der Codebasis. Qodo verwendet dazu fortschrittliche Retrieval-Augmented Generation (RAG), Indexierung und Analyse, die von einem hochmodernen Code-Embedding-Modell unterstützt werden, das auf NVIDIA DGX trainiert wurde.

Code-Indexierung und kontextbasierte Generierung:

Große komplexe Codebasen ändern sich ständig, weshalb es wichtig ist, kontinuierlich einen aktuellen Index aufrechtzuerhalten. Qodo hat eine robuste Pipeline entwickelt, um eine frische Indexierung sicherzustellen. Diese Pipeline beinhaltet das Abrufen von Dateien aus einer Codebasis, das Aufteilen der Dateien in Segmente und das Hinzufügen von natürlichsprachlichen Beschreibungen zu den Embeddings, um dem AI-System das Verständnis des Kontextes zu erleichtern. Eine Herausforderung bei codebasierten RAG-Pipelines ist das Aufteilen großer Code-Dateien in sinnvolle Segmente. Qodo verwendet sprachspezifische statische Analysemethoden, um die Knoten rekursiv in kleinere Segmente aufzuteilen und verlorene Kontextinformationen rückwirkend wieder hinzuzufügen. Dadurch werden Segmente erstellt, die die Code-Struktur respektieren und zusammengehörige Elemente beibehalten.

Relevante Code-Embeddings:

Quelle: https://developer.nvidia.com/blog/spotlight-qodo-innovates-efficient-code-search-with-nvidia-dgx/

Titel: LambdaTest startet Custom Widgets in BETA für eine verbesserte Flexibilität des Dashboards

Einleitung:

LambdaTest, eine einheitliche KI- und Cloud-Engineering-Plattform, hat die BETA-Version der Funktion "Custom Widget Creation" in ihrer Insights-Plattform angekündigt. Mit dieser Funktion erhalten Benutzer die Möglichkeit, leistungsstarke Visualisierungstools zu nutzen und ihre eigenen Dashboard-Widgets zu erstellen und anzupassen. Dieser Artikel wird die Vorteile dieser Funktion sowie ihre Auswirkungen auf die Softwarequalität diskutieren.

1. Die Vorteile von Custom Widgets:

Custom Widgets geben Benutzern die vollständige Kontrolle über die Visualisierung und Interaktion mit ihren Daten. Sie können die genauen Metriken auswählen, die sie verfolgen möchten, und die Art und Weise auswählen, wie diese Metriken angezeigt werden. Dadurch können Benutzer ihre Dashboards individuell an die Bedürfnisse ihres Teams anpassen. Dies reduziert die Abhängigkeit von Entwicklungsteams und ermöglicht die sofortige Erstellung von Widgets, um schnellere Erkenntnisse zu gewinnen.

2. Benutzerfreundlichkeit und Flexibilität:

Die Custom Widget Creation-Funktion wurde so gestaltet, dass sie einfach und flexibel ist, sodass auch nicht technisch versierte Benutzer leistungsstarke Datenvisualisierungen nutzen können. Die Anpassungsoptionen gewährleisten, dass die Visualisierungen genau das widerspiegeln, was jedes Team sehen muss, und die erweiterten Filteroptionen ermöglichen eine gezieltere und sinnvollere Analyse.

3. Auswirkungen auf die Softwarequalität:

Durch die Nutzung von Custom Widgets können Entwickler und Tester die Qualität ihrer Software verbessern. Die individuelle Anpassung der Widgets ermöglicht es, wichtige Metriken und KPIs zu verfolgen, um mögliche Probleme frühzeitig zu erkennen und zu beheben. Dies führt zu einer höheren Benutzerzufriedenheit und einer besseren Gesamtqualität der Software.

4. Weitere Informationen und Integration mit anderen Tools:

LambdaTest bietet mit Custom Widget Creation eine umfangreiche und benutzerfreundliche Lösung für die Visualisierung von Metriken. Darüber hinaus integriert sich diese Funktion nahtlos mit anderen DevOps-Tools wie Jira, Slack und GitHub, um den Entwicklungsprozess weiter zu optimieren.

Fazit:

Quelle: https://financialpost.com/globe-newswire/lambdatest-launches-custom-widgets-in-beta-for-enhanced-dashboard-flexibility

Titel: Revolutionäre Funktion für Datenvisualisierung: LambdaTest stellt "Custom Widget Creation" vor

Einleitung:

LambdaTest, ein führendes Unternehmen im Bereich KI und Cloud-Engineering, hat die BETA-Version von "Custom Widget Creation" in ihrer Insights-Plattform angekündigt. Diese neue Funktion ermöglicht es den Benutzern, leistungsstarke Datenvisualisierungstools zu nutzen und ihre eigenen Dashboard-Widgets zu erstellen und anzupassen. Mit dieser revolutionären Funktion können Benutzer nun die Kontrolle über die Visualisierung und Interaktion mit ihren Daten übernehmen. In diesem Blogartikel werden wir genauer auf diese Funktion eingehen und ihre Bedeutung für die Softwarequalität untersuchen.

1. Hintergrundinformationen zu LambdaTest und Insights-Plattform:

LambdaTest ist eine KI- und Cloud-Engineering-Plattform, die Unternehmen dabei unterstützt, die Time-to-Market durch intelligente, cloudbasierte Testerstellung, Orchestrierung und Ausführung zu beschleunigen. Mit über 15.000 Kunden und mehr als 2,3 Millionen Benutzern in über 130 Ländern ist LambdaTest die vertrauenswürdige Wahl für moderne Softwaretests. Die Insights-Plattform von LambdaTest stellt Benutzern leistungsstarke Analysetools zur Verfügung, um Einblicke in ihre Testergebnisse zu gewinnen.

2. Bedeutung der Custom Widget Creation-Funktion:

Die Custom Widget Creation-Funktion von LambdaTest gibt Benutzern die Freiheit, ihre Test-Dashboards individuell anzupassen. Von der Auswahl der zu verfolgenden Metriken bis zur Anpassung der Darstellungsmöglichkeiten können alle Aspekte des Widgets den individuellen Teamanforderungen angepasst werden. Dadurch werden Abhängigkeiten von Entwicklungs- und Testteams reduziert und die sofortige Erstellung von Widgets ermöglicht. Das bedeutet, dass Benutzer schneller Einblicke gewinnen können. Die Anpassungsoptionen stellen sicher, dass die Visualisierungen genau das zeigen, was jedes Team sehen möchte, und die erweiterten Filtermöglichkeiten ermöglichen eine gezieltere und aussagekräftigere Analyse. Diese Funktion wurde speziell für Benutzerfreundlichkeit und Flexibilität entwickelt und ist auch für nicht-technische Benutzer zugänglich.

3. Zitat des Co-Gründers von LambdaTest:

Mayank Bhola, Mitbegründer und Leiter der Produktentwicklung bei LambdaTest, erklärt die Bedeutung der Custom Widget Creation-Funktion: "Mit benutzerdefinierten Widgets geben wir unseren Benutzern die Freiheit, ihre Test-Dashboards genau nach ihren Wünschen zu gestalten. Es geht darum, die Kontrolle in die Hände von Entwicklern und Testern zurückzugeben, damit sie sich auf das konzentrieren können, was wirklich wichtig ist: Geschwindigkeit und Präzision."

4. Vorteile für die Softwarequalität:

Quelle: https://www.globenewswire.com/news-release/2025/04/23/3066623/0/en/LambdaTest-Launches-Custom-Widgets-in-BETA-for-Enhanced-Dashboard-Flexibility.html

Der Blogartikel könnte wie folgt aussehen:

Titel: COLO AI gewinnt den Minister of Science and Technology Award bei den '2025 New Software Product Awards'

Einleitung:

Das Unternehmen Colosseum Corporation hat mit seiner AI-basierten SaaS-Logistiklösung 'COLO AI' den Minister of Science and ICT Award bei den '2025 New Software (SW) Product Awards' gewonnen. Colosseum ist ein Start-up, das eine breite Palette von Logistikdienstleistungen anbietet und nationale und internationale Logistikzentren, Liefernetzwerke und automatisierte Einrichtungen miteinander vernetzt. Die Lösung 'COLO AI' ermöglicht es Unternehmen, den gesamten Logistikprozess von der Bestellung über den Wareneingang und -ausgang bis hin zur Lagerung, Abrechnung und Kundenbetreuung in einer einzigen Benutzeroberfläche zu verwalten.

Hauptteil:

Colosseum hat sich in nur sechs Jahren seit seiner Gründung schnell entwickelt und ein Netzwerk von 53 Logistikzentren aufgebaut, darunter 41 nationale Standorte und 12 globale Standorte, was etwa 80 Fußballstadien entspricht. Die AI-basierte Lösung 'COLO AI' sammelt und analysiert massive Logistikdaten in Echtzeit mit einem auf Deep Learning basierenden AI-Motor und automatisiert und verbessert den Prozess. Dadurch werden die Versand- und Rücksendegeschwindigkeit erhöht, Logistikkosten gesenkt, Arbeitszeiten um etwa 50% verkürzt und die Bestandsgenauigkeit auf 99,9% verbessert.

Die Lösung 'COLO AI' hat nicht nur den Minister of Science and ICT Award gewonnen, sondern auch die GS-Zertifizierung (Good Software) der Telecommunications Technology Association (TTA) erhalten, was ihre Qualität, Stabilität und Sicherheit auf höchstem Niveau in Korea bestätigt. Besonders positiv wurde die benutzerfreundliche Schnittstelle bewertet, die auf Barcode-Scanning basiert und unabhängig von der Fähigkeit des Mitarbeiters einfach zu bedienen ist.

Colosseum plant, die AI in zukünftigen logistischen Kernprozessen wie Kommissionierung, Verpackung und Bestandsauffüllung einzusetzen, um ein automatisiertes Softwaremodulsystem zu schaffen und die Benutzerfreundlichkeit und Effizienz vor Ort zu maximieren. Die Lösung 'COLO AI' unterstützt mehrere Sprachen, darunter Englisch, Japanisch und Spanisch, und ermöglicht es multinationalen Teams, ohne separate Schulungen sofort vor Ort eingesetzt zu werden.

Schluss:

Die Auszeichnung und Zertifizierung von 'COLO AI' sind das Ergebnis der technischen Leidenschaft von Colosseum, Probleme vor Ort auf der Grundlage von Daten zu lösen. Die globale SaaS-Logistiklösung von Colosseum hat den Vorteil, schnell auf Veränderungen zu reagieren und flexibel auf die Bedürfnisse der Kunden einzugehen. Das Unternehmen beabsichtigt, die digitale Logistikinnovation mit 'COLO AI' weiter voranzutreiben und seinen Kunden bessere Services und Innovationen anzubieten.

Zusammenfassung:

Quelle: https://www.venturesquare.net/966506

Der Wettlauf zur Behebung alternder Computersysteme heizt sich mit Hilfe von KI auf

In der Welt der Softwarequalität ist die Modernisierung alter Computersysteme eine zeitaufwändige und anspruchsvolle Aufgabe. Oftmals handelt es sich um sogenannte Mainframe-Systeme, die auf jahrzehntealte Software angewiesen sind. Die Aktualisierung dieser Systeme erfordert oft das Durchsuchen von Millionen von Codezeilen, um zu verstehen, wie bestimmte Funktionen arbeiten. Kresimir Mudrovcic und sein Team von Programmierern haben sich auf diese Art von Arbeit spezialisiert und vergleichen sie mit Archäologie.

Die Verwendung von generativer künstlicher Intelligenz (KI) hat diese Aufgabe jedoch erleichtert. KI-Systeme können wie erfahrene Kollegen wirken, die alles wissen und wertvolle Unterstützung leisten können. Mudrovcic und sein Team haben kürzlich KI-Tools eingesetzt, um die Modernisierung des Rentensystems einer europäischen Regierungsbehörde zu beschleunigen.

Dieser Trend ist nicht auf ein einzelnes Unternehmen oder eine Regierung beschränkt. Weltweit arbeiten Unternehmen und Regierungen an ähnlichen Projekten, da die Dringlichkeit, sich mit veralteter Software auseinanderzusetzen, zunimmt. Die US-amerikanische Sozialversicherungsverwaltung plant beispielsweise den Einsatz von KI, um ihren veralteten Code-Bestand auf Basis der Programmiersprache COBOL zu aktualisieren. Das Projekt soll drei Jahre dauern und etwa 1 Milliarde US-Dollar kosten.

Die Verwendung von veralteter Software führt nicht nur zu höheren Kosten, sondern erhöht auch das Risiko von Systemausfällen und Cyberangriffen. Laut einem Bericht von McKinsey aus dem Dezember 2024 wurden mindestens 70% der von Fortune 500 Unternehmen verwendeten Software vor mindestens zwei Jahrzehnten entwickelt. Allein die globalen Finanzinstitute werden voraussichtlich im Jahr 2028 rund 57 Milliarden US-Dollar für die Wartung ihrer veralteten Zahlungssysteme ausgeben.

Ein weiteres Problem ist der Mangel an qualifizierten Programmierern, die mit veralteten Programmiersprachen wie COBOL vertraut sind. Viele erfahrene Programmierer gehen in den Ruhestand, und es wird immer schwieriger, Ersatz zu finden. Unternehmen sind manchmal sogar gezwungen, ehemalige Mitarbeiter aus dem Ruhestand zurückzurufen, um ihre Systeme zu warten.

Um diese Herausforderungen zu bewältigen, setzen Ingenieure zunehmend KI-Tools wie ChatGPT, Github CoPilot und watsonX ein. Diese Tools ermöglichen es Programmierern, große Codeblöcke hochzuladen oder einzufügen und natürlichsprachliche Anfragen zu stellen, um zu verstehen, wie der Code funktioniert und wie verschiedene Teile zusammenarbeiten. KI kann sogar alte Programmiersprachen in modernere Sprachen wie Java übersetzen. Darüber hinaus nutzen Ingenieure KI, um Anleitungshandbücher zu erstellen, die beschreiben, wie veraltete Systeme funktionieren.

Quelle: https://www.insurancejournal.com/news/international/2025/04/24/821098.htm

Die Rolle des Feature Managements im DevOps mit Trevor Stuart

In einem Interview mit Mike Vizard am 23. April 2025 erklärt Trevor Stuart, General Manager und Senior Vice President von Harness, wie das Feature Management zu einer entscheidenden Erweiterung der DevOps-Workflows geworden ist, ein Jahr nach der Übernahme von Split Software. Feature Management wird immer mehr zu einem wichtigen Pfeiler in modernen DevOps-Workflows, insbesondere da Organisationen versuchen, mit dem steigenden Volumen und der Geschwindigkeit der Softwareentwicklung Schritt zu halten. Stuart diskutiert, wie die Weiterentwicklung von Feature Flags die Bereitstellungspraktiken und die Erwartungen der Softwarelieferungsteams verändert hat.

Der Kernwert von Feature Flags liegt in ihrer Fähigkeit, sicherere und schnellere Releases zu ermöglichen. Sie geben Teams die Flexibilität, Funktionen umzuschalten, ohne den Code neu bereitzustellen, und ermöglichen es so, Risiken während der Produktionsbereitstellung zu minimieren. Anfangs sparsam eingesetzt und oft über manuelle Konfigurationsdateien verwaltet, sind Feature Flags heute eine gängige Methode für die progressive Auslieferung. Sie helfen Organisationen dabei, Funktionen mit spezifischen Benutzersegmenten zu validieren, den Schadensradius bei Problemen zu reduzieren und Experimente unter realen Bedingungen zu unterstützen.

Stuart betont, dass der zunehmende Einsatz von KI-generiertem Code, modularen Microservices und zunehmender Produktindividualisierung die Notwendigkeit robuster Feature-Flag-Systeme nur verstärkt hat. Diese Tools dienen jetzt nicht nur als Schalter, sondern auch als Echtzeit-Steuerungsebenen für dynamische Konfiguration, adaptive Experimente und rückgekoppelte Feedbacks basierend auf Telemetriedaten. Unternehmen nutzen sie zunehmend, um KI-Modelle zu optimieren, Kundenerlebnisse zu personalisieren und die Softwarequalität mithilfe von Echtzeit-Leistungsdaten zu verbessern. Trotz eines breiten Bewusstseins verlassen sich viele Teams immer noch auf selbst entwickelte oder anfällige Lösungen, was zu Wartungsproblemen und Ausfällen führt. Die Herausforderung liegt oft in der Organisation: Die Entscheidung, ob diese Fähigkeiten aufgebaut, gekauft oder in breitere CI/CD-Pipelines integriert werden sollen.

Stuart argumentiert, dass eine tiefe Integration von Feature Flags in Bereitstellungs-Workflows – insbesondere als Teil einer einheitlichen Plattform – für Skalierbarkeit und Konsistenz unerlässlich ist. Mit zunehmender Softwarekomplexität steigt auch der Bedarf an intelligenter Automatisierung. Stuart stellt sich Pipelines vor, die nicht nur Features bereitstellen, sondern auch Auswirkungen beobachten, Experimente durchführen, sich anhand von Ergebnissen anpassen und sogar Signale zurück in Modelle speisen. Es handelt sich um einen Wechsel von manuellen Gates zu datengesteuerter Automatisierung, der einen entscheidenden Übergang in der Art und Weise markiert, wie DevOps-Teams Risiken, Geschwindigkeit und Innovation managen.

Quellen:

– Dynatrace Ushers in the AI-Powered Future of Observability, 16. April 2025, Alan Shimel

Quelle: https://devops.com/feature-managements-role-in-devops-with-trevor-stuart/