Mit einem internen Hackathon haben Softwareentwickler:innen und Projektmanager:innen von SPRYLAB zwei Tage lang einen Deep Dive zu KI und Machine Learning durchgeführt.
Dabei hatten wir vor allem ein Ziel: Stichwort „Innovation Spikes”. Wir wollten uns für das große Interesse unserer Kund:innen an den Potenzialen und Risiken von Künstlicher Intelligenz ausreichend Zeit nehmen und uns tiefer mit den neuesten Entwicklungen rund um Tools wie GPT auseinandersetzen. Frei nach dem Motto: „Was wäre, wenn die rechtlichen und datenschutzrelevanten Herausforderungen von KI bereits geklärt wären – wo würden wir KI dann einsetzen?”
In diesem ersten Schritt haben wir uns die Aufgabenstellung gegeben, herauszufinden, wie GPT uns intern unterstützen kann, eigene Prozesse entweder zu automatisieren oder qualitativ zu verbessern. Zu diesem Zweck gab es vorab einen Ideen-Wettbewerb. Letztendlich blieben nach einer demokratischen Abstimmung drei von 20 Ideen übrig.
In dem zweitägigen Hackathon haben sich schließlich drei Gruppen mit den folgenden Anwendungsfällen beschäftigt.
Anwendungsfall 1: Vom Design direkt zu Code
Unser Softwareentwickler Yannis hatte die Idee, Figma-Designs automatisch in React-Code und Tailwind CSS umzuwandeln. Warum? Dieser Prozess muss bei jedem Projekt erledigt werden und bietet großes Zeitersparnis-Potential.
Als Basis diente dem Team für die Umsetzung ein Plugin, welches aus einem Design-Template eine Tailwind Config und HTML generiert – das funktionierte bis auf kleinere Rundungsfehler reibungslos. Diese Resultate wurden nun als Eingabe für ChatGPT genutzt. Mit einem umfangreichen Prompt gefüttert, spuckte das Tool nach durchschnittlich einer Minute ein Resultat in Form einer React-Komponente aus. Weil dieses nach mehreren Testläufen nicht zufriedenstellend war (ChatGPT ignorierte einige Punkte aus der ersten Vorgabe), schickte das Team umgehend einen standardisierten zweiten Prompt (u.a. „remove redundant props”, „reduce number of HTML nodes to a minimum”) hinterher, der diese Ungenauigkeiten korrigierte.
Was haben wir durch diesen Anwendungsfall gelernt? Es gab eine große Varianz bei den Ergebnissen der getesteten Design-in-Code-Umwandlungen. Überraschend: viel hing auch von der Qualität und Struktur der Designs in Figma ab. Mit einem strukturierten Leitfaden, der Mindeststandards für die Designer:innen genau definiert, sollte das allerdings zukünftig konsistent funktionieren. Sehr vielversprechend bleibt das Potential für Zeitersparnis – hier wird noch mehr kommen!
Anwendungsfall 2: „Code Smells” und Bugs automatisiert beheben
Die zweite Gruppe startete mit dem Ziel, von SonarQube gefundene Fehler im Programmcode mithilfe von künstlicher Intelligenz automatisiert beheben zu lassen. In zwei Tagen programmierte das Team um IT-Architekt Andreas einen Prototyp mit dem Namen „Code Deodorant”. Das Tool schlägt automatisiert Merge Requests vor, sobald bei der SonarQube Code Analysis Probleme gefunden werden. Außerdem ist es nicht nur in der Lage, die Fehler genau zu benennen, sondern auch den Lösungsweg kurz zu beschreiben.
Wie sah die technische Umsetzung aus? Nach der abgeschlossenen Code-Analyse wurden die fehlerhaften Code-Abschnitte über GitLab abgerufen, bevor diese schließlich automatisiert an ChatGPT für die vorgeschlagene Fehlerbehebung gesendet wurden. Dabei war die größte Herausforderung in der Kürze der Zeit, den Richtigen Umfang des fehlerhaften TypeScript-Codes auszuwählen. Nach mehrfachen Tests hat sich die Gruppe schließlich auf einen Umfang von ca. 10 Zeilen festgelegt – wobei die KI bei der Auswahl unterstützt, und semantische Fehler korrigiert.
Abschließend können wir sagen, dass das automatisierte Beheben von Code Smells schon gut funktioniert hat. Natürlich gehen wir davon aus, dass entsprechende Features zeitnah von Herstellern wie SonarQube auf den Markt gebracht werden. Aus technologischer Sicht ist es besonders spannend, einen Weg zu finden, die Kreativität der KI nur dosiert und lokal – z. B. nur punktuelle Änderungen in der besagten Zeile – einzusetzen. Das Überlappen von verschiedenen Code Smells im selben Code-Abschnitt ist eine weitere Herausforderung. Wir freuen uns jedenfalls auf die Zukunft, sobald dieser Anwendungsfall als Feature erhältlich sein wird.
Anwendungsfall 3: Automatische Generierung nützlicher Testdaten
Im dritten Anwendungsfall ging es um die automatische Generierung von schönen und in sich sinnvollen Testdatensätzen, inklusive verschiedener Varianten. Hierbei waren verschiedene Formate wie z.B. JSON, CSV, YAML oder XML möglich.
Wie funktioniert das Tool? Nutzer:innen beginnen mit dem Upload von ausgewählten Testdaten. Das Tool erstellt im Hintergrund unter Verwendung von ChatGPT ein JSON-Schema. Um dies zu erreichen, hat das Team verschiedene Aufgaben in Prompts zusammengefasst, die bei Bedarf ausgelöst werden. Dabei wird immer am selben Modell weitergearbeitet. Besonders nützlich: über ein Management-Panel hat man die Möglichkeit weitere Befehle (z. B. welche Zusatzdaten sind erforderlich) und Spezifikationen (z. B. Wertebereiche) vorzugeben. So können Nutzer:innen in die direkte Kommunikation mit dem Tool gehen und die Datensätze genauer anpassen.
Als Tool für die automatisierte und effiziente Generierung von passenden Testdatensätzen ist dieser Anwendungsfall natürlich besonders spannend für unser eigenes QA-Team.
Wie geht es bei uns weiter mit KI?
Natürlich gab es auch leckeres Essen (asiatisch), genügend Kaltgetränke, spontane Gesprächsgruppen und vieles mehr. Insgesamt war der Hackathon ein sehr gelungenes Event – denn wir haben neue Dinge ausprobiert und hatte noch mehr Spaß!
GPT-4 hat in allen Anwendungsfällen erstaunliche Leistungen erbracht. Besonders interessant: je nach Use Case haben sich die Leistungen sehr unterschieden – in manchen Anwendungsfällen wiederrum gab es teilweise gar keine relevanten Unterschiede zwischen GPT-4 und GPT-3.5.
Und wie geht es jetzt weiter mit KI bei SPRYLAB? Gemeinsam mit unseren Kund:innen werden wir weiter maßgeschneiderte Use Cases entwickeln. Über ChatGPT hinaus werden die Themen „Self-Hosting“ und „Training auf eigenen Daten” weiterhin die höchste Priorität haben. Denn nur, wenn ein datenschutzkonformer Einsatz möglich ist, können auch sensible Daten (z.B. personenbezogene und Gesundheitsdaten) in den KI-Anwendungen verarbeitet werden. Mehr über unsere bisherigen KI-Projekte erfahren Sie übrigens hier.
