Temario del curso
Introducción a la Programación por Ambiente
- Definición e historia de la programación por ambiente.
- Filosofía de la colaboración «mensaje-a-código».
- Cómo la codificación con IA difiere del desarrollo tradicional.
Modelos de Lenguaje Grandes en la Programación
- Descripción general de los LLMs para desarrolladores: GPT-4, DeepSeek, Qwen, Mistral.
- Comparación entre codificadores de IA de código abierto y propietarios.
- Implementación de LLMs localmente o a través de APIs.
Ingeniería de Mensajes para Desarrolladores
- Generación y refactorización efectiva de código mediante mensajes (prompts).
- Gestión del contexto y manejo del estado de la conversación.
- Creación de plantillas de mensajes reutilizables para tareas de codificación.
Entornos Prácticos de Programación por Ambiente
- Uso de Replit para la codificación colaborativa con IA.
- Integración de GitHub Copilot y Qwen Coder en IDEs.
- Personalización de flujos de trabajo para la colaboración en equipos.
Calidad y Validación del Código en Flujos de Trabajo con IA
- Revisión y prueba del código generado por LLMs.
- Garantizar la consistencia, mantenibilidad y seguridad.
- Integración de herramientas de validación de código en el flujo de trabajo.
Integración Empresarial y Gobernanza
- Escalabilidad de la programación por ambiente entre equipos.
- Gobernanza, ética y cumplimiento normativo en la generación de código con IA.
- Diseño de marcos organizacionales para el desarrollo asistido por IA.
Temas Avanzados: Extensión de la Programación por Ambiente
- Combinación de múltiples LLMs para flujos de trabajo híbridos con IA.
- Integración de la programación por ambiente con la automatización CI/CD.
- Tendencias futuras: ecosistemas de desarrollo multi-agente.
Proyecto en Equipo y Colaboración
- Diseño de un proyecto real de codificación asistida por IA.
- Colaboración con desarrolladores humanos y de IA.
- Presentación de resultados y medición de las ganancias de productividad.
Resumen y Próximos Pasos
Requerimientos
- Comprensión de los flujos de trabajo de desarrollo de software.
- Experiencia con Python, JavaScript u otro lenguaje de programación moderno.
- Familiaridad con sistemas de control de versiones basados en Git.
Audiencia Objetivo
- Ingenieros de software que exploran el desarrollo asistido por IA.
- Líderes de ingeniería que supervisan la adopción de IA en flujos de trabajo de codificación.
- Equipos de desarrollo empresarial que buscan integrar LLMs en pipelines de producción.
Testimonios (2)
La práctica estuvo muy interactiva y aplicable al negocio.
Jorge Boscan - Chevron Global Technology Services Company
Curso - Advanced GitHub Copilot & AI for Projects and Infrastructure
Adquirí conocimientos sobre la biblioteca Streamlit de Python y, con seguridad, intentaré utilizarla para mejorar las aplicaciones de mi equipo que se desarrollan en R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Curso - GitHub Copilot for Developers
Traducción Automática