Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Comprensión del código con LLMs
- Estrategias de prompting para explicación y recorrido de código.
- Trabajo con bases de código y proyectos desconocidos.
- Análisis del flujo de control, dependencias y arquitectura.
Refactorización del código para facilitar el mantenimiento
- Identificación de olores a código, código muerto y antipatrones.
- Reestructuración de funciones y módulos para mayor claridad.
- Uso de LLMs para sugerir convenciones de nomenclatura y mejoras en el diseño.
Mejora del rendimiento y la confiabilidad
- Detección de ineficiencias y riesgos de seguridad con asistencia de IA.
- Sugerencia de algoritmos o bibliotecas más eficientes.
- Refactorización de operaciones de E/S, consultas a bases de datos y llamadas a APIs.
Automatización de la documentación del código
- Generación de comentarios y resúmenes a nivel de funciones/métodos.
- Escritura y actualización de archivos README a partir de bases de código.
- Creación de documentos Swagger/OpenAPI con soporte de LLMs.
Integración con cadenas de herramientas (toolchains)
- Uso de extensiones de VS Code y Copilot Labs para documentación.
- Incorporación de GPT o Claude en ganchos pre-commit de Git.
- Integración en pipelines CI para documentación y verificación de estilo (linting).
Trabajo con bases de código heredadas y multi-lenguaje
- Ingeniería inversa de sistemas antiguos o sin documentar.
- Refactorización entre lenguajes (por ejemplo, de Python a TypeScript).
- Casos de estudio y demostraciones de programación en pareja con IA.
Ética, control de calidad y revisión
- Validación de cambios generados por IA y evitar alucinaciones.
- Buenas prácticas de revisión entre pares al utilizar LLMs.
- Asegurar la reproducibilidad y el cumplimiento de las normas de codificación.
Resumen y próximos pasos
Requerimientos
- Experiencia con lenguajes de programación como Python, Java o JavaScript.
- Conocimiento sobre arquitectura de software y procesos de revisión de código.
- Comprensión básica de cómo funcionan los modelos de lenguaje grandes.
Público objetivo
- Ingenieros backend.
- Equipos DevOps.
- Desarrolladores senior y líderes técnicos.
14 Horas
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