Automatisierte Code-Standards?

Wenn ein ganzes Entwicklerteam ein solches System verwendet und mit bestehenden, qualitativ hochwertigen und dem Firmenstandard entsprechenden Code füttert, entsteht ein interessanter Automatisierungseffekt.

Vervollständigungen, die von Entwicklern für gut befunden und angenommen wurden, bekommen im System eine höhere Wertung und werden somit auch anderen Team-Mitgliedern angeboten.

Dadurch werden Entwickler effektiver, da beispielsweise eine schon bestehende Funktionalität nicht neu geschrieben und es einfacher wird, eine konsistente Syntax einzuhalten.

Wiederverwendbare Bibliotheken und Funktionen werden automatisch angeboten, während man programmiert. Natürlich bedeutet das nicht, dass diese ohne Analyse und Lizenzabfrage sofort verwendet werden können. Aber es erleichtert die Suche ungemein. Ich habe Monate meines Lebens als leitender Entwickler damit verbracht, effektive Lösungen in Produkten zu erkennen und im Team als Standard zu etablieren.

Viele dieser Lösungen führten dazu, dass das Team viel effizienter arbeiten konnte – aber es dauerte immer eine lange Zeit, bis bestimmte Vorgehensweisen angewendet wurden. Wenn der Code vom System für mich generiert wird und mittels eines Tastendrucks eingefügt werden kann, gibt es dieses Problem gar nicht erst. Natürlich ist es gefährlich, Code einzufügen, den man nicht versteht, doch auch da helfen die KI-Produkte. Man kann das System fragen, was dieser Code macht, und dann immer noch Änderungen vornehmen.

Dokumentation und Beschreibung von Code

Eine der für mich arrogantesten und fundamental falschen Aussagen, die man in Entwicklerkreisen immer wieder hört, ist: "Guter Code erklärt sich selbst." Es wäre toll, wenn das so wäre. Doch jeder Mensch tickt anders, und was von dem einen als "super lesbar und effektiv" angesehen wird, kann für andere nur als Sonderzeichensalat gesehen werden.

Klar: Saubere, gut strukturierte Programme sind einfacher zu verstehen als Spaghetticode. Aber das ist nicht alles. Oft passiert es, dass man Monate später seine eigenen Produkte ansieht und nicht wirklich weiß, warum sie funktionieren. Gute Kommentare zu schreiben, ist eine Kunst – und leider eine, die nicht viele Fans hat.

Eines der tollsten Beispiele für ML-unterstütze Programmierung ist, dass man Code aus einem Kommentar oder Schema generieren kann. Noch interessanter ist allerdings der umgekehrte Fall.

Produkte wie Copilot oder Ghostwriter AI Mode erlauben es Nutzern, ein Programm zu markieren und sich in einfacher Sprache erklären zu lassen, was passiert, wenn es ausgeführt wird. Zum Beispiel kann man erfahren, warum ein CSS Stylesheet komische Prozentangaben hat.

• 

Erklärung zu Prozentangaben im CSS Stylesheet (Screenshot: Christian Heilmann)

Spurkontrolle und Tempomat für Teams

Es gibt beim Thema ML-gestützte Programmierung einiges zu diskutieren, vor allem wenn es um Lizenzen und Rechte geht. Für mich als Entwickler ist es aber wirklich interessant zu sehen, wie Github Copilot, Amazon Codewhisperer oder andere uns helfen können, Aufgaben zu automatisieren. Aufgaben, die eigentlich keinen Menschen brauchen.

Gute Entwickler haben kreative Faulheit als Teil ihrer Arbeitsauffassung – und ein selbstlernendes System erlaubt es uns, eine Menge Lösungen, die wir immer wieder von Neuem schreiben würden, einfach mit einem Tastendruck einzufügen.

Christian Heilmann ist seit über 25 Jahren Entwickler, Buchautor, Trainer und leitete Teams in Yahoo, Mozilla und Microsoft. Derzeit arbeitet er als Principal Program Manager für die Developer Tools im Chromium-Projekt. Er lebte in Amerika, Indien, England und jetzt in Berlin und bloggt seit 2005 bei christianheilmann.com und als "codepo8" in den sozialen Netzen.