KI-Technik & Entwicklung

KI in CI/CD-Pipelines: Builds analysieren, Releases sicher automatisieren

Ein roter Build kurz vor dem Release, ein Test, der mal grün und mal rot ist, ein Changelog, den niemand schreiben will: Hier setzt dieser Tag an. DevOps-Engineers, Platform-Teams und Entwickler gehen ihre Pipeline vom Commit bis zum Deployment durch und klären, wo Machine Learning Testläufe steuert, Fehlerursachen eingrenzt und Release Notes vorbereitet. Zwei Übungen mit Build-Logs und Commit-Historien sowie eine Fallstudie machen das greifbar. Zum Abschluss entsteht ein Fahrplan, der festlegt, welche KI-Bausteine in Ihre Pipeline kommen und bei welchen Freigaben weiterhin ein Mensch entscheidet.

Für wen

DevOps-Engineers, Platform-Teams sowie Entwicklerinnen und Entwickler, die Build-, Test- und Release-Abläufe um KI-Funktionen erweitern wollen.

KI-Tagesseminar · 1 Tag

Testläufe gezielter steuern, Fehler schneller finden, Releases kontrolliert ausrollen

Das nehmen Sie mit

  • Eine Landkarte Ihrer Pipeline, auf der jede Station mit möglichem KI-Einsatz und nötiger Kontrolle markiert ist.
  • Erfahrung darin, gescheiterte Builds und Release Notes mit einem Sprachmodell zu bearbeiten und das Ergebnis zu bewerten.
  • Kriterien für Anomalieerkennung und Rollback-Entscheidungen nach dem Deployment.
  • Regeln für KI-Agenten mit Pipeline-Zugriff und einen Fahrplan für die nächsten Ausbaustufen.

Ablauf

  1. Teil 1

    Modul 1 – Landkarte: KI-Einsatzfelder vom Commit bis zum Deployment

    • Die Stationen Commit, Build, Test, Release und Deployment durchgehen und mögliche KI-Bausteine zuordnen
    • Automatik oder Freigabe: welche Schritte Maschinen übernehmen und wo ein Mensch das letzte Wort behält
    • Marktüberblick über KI-Werkzeuge und Erweiterungen für CI/CD-Umgebungen
    • Kürzere Durchlaufzeiten und weniger nächtliche Störungen als Ziel des KI-Einsatzes
    • Bestandsaufnahme: wo Ihre eigene Pipeline heute stockt oder häufig rot wird
  2. Teil 2

    Modul 2 – Build und Test: Testläufe mit ML steuern, Fehler eingrenzen

    • ML-gestützte Testauswahl: nur die von einem Commit betroffenen Tests starten und nach Risiko reihen
    • Flaky Tests erkennen und von echten Regressionen trennen
    • Fehlerursachen-Analyse: Build-Logs und Stacktraces automatisch auswerten lassen
    • Übung: Logs gescheiterter Builds einem Sprachmodell übergeben und die genannte Ursache nachprüfen
    • Wie Entwickler nach einem Push schneller erfahren, ob ihre Änderung hält
  3. Teil 3

    Modul 3 – Release: Changelogs und Release Notes aus der Commit-Historie

    • Changelogs und Release Notes aus Commits, Pull Requests und Tickets entwerfen lassen
    • Zwei Leserkreise bedienen: technischer Changelog fürs Team, verständliche Release Notes für Anwender
    • Übung: Aus einer Commit-Liste Release Notes erzeugen, die Anwender ohne Rückfrage verstehen
    • Entwürfe vor der Veröffentlichung mit dem tatsächlichen Umfang des Releases abgleichen
  4. Teil 4

    Modul 4 – Nach dem Deployment: Anomalien erkennen, Rollbacks entscheiden

    • Anomalieerkennung in Metriken, Logs und Fehlerraten unmittelbar nach dem Rollout
    • Rollback-Entscheidungen mit KI-Unterstützung: Signale bewerten, Empfehlung prüfen, Rücknahme auslösen
    • Frühwarnung und schneller Rückweg zusammen: wie Releases dadurch risikoärmer werden
  5. Teil 5

    Modul 5 – Governance: Agenten absichern, Freigaben belegen, Fahrplan

    • KI-Agenten mit Pipeline-Zugriff absichern: Berechtigungen, Secrets und Schreibrechte eng fassen
    • Nachvollziehbarkeit: festhalten, was ein Modell vorbereitet und welche Freigabe ein Mensch erteilt hat
    • Automatisierte Releases unter Kontrolle halten, etwa über Freigabestufen vor der Produktion
    • Fallstudie: eine bestehende Pipeline stufenweise um KI-Bausteine erweitern
    • Fahrplan: welche KI-Bausteine Ihre Pipeline zuerst erhält und welche Freigaben manuell bleiben

VoraussetzungenSie bringen praktische Erfahrung mit CI/CD und DevOps-Arbeitsweisen mit.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen