SoftwerkerCast

Mirko Novakovic ist codecentric-Mitgründer und Softwerker-Gründer sowie ehemaliger Softwerker-Herausgeber. Neben codecentric gründete er zwei weitere erfolgreiche Software-Unternehmen, CenterDevice und Instana. Letzteres gehört seit 2020 zu IBM. Außerdem ist Mirko Gründungspartner von New Forge, wo er Portfolio-Unternehmen dabei unterstützt, ihre Geschäftsmodelle und Markteinführungsstrategien zu hinterfragen. Aktuell baut er ein ganz neues Startup auf. In dieser Folge teilt er seine Erfahrungen als Serial Entrepreneur im IT-Umfeld und gibt wertvolle Tipps für Startup-Gründer.

Kapitel:

(00:00:00) Intro Mirko

(00:02:25) Startup vs. Corporate

(00:07:49) „‘Scheitern‘ ist das falsche Wort“

(00:09:48) Finanzierung mit Venture-Kapital: Wie funktioniert's?

(00:16:04) Das Pivot-Konzept

(00:17:50) Feedback-Mechanismen, User-Analyse

(00:21:50) Motivierte Mitarbeiter & Mythos MVP

(00:27:42) Community Building & User Boards

Moderation: Marco Paga

Dr. Boris Adryan ist Academic Director, Data & Digital, bei Merck in Darmstadt. Als Verantwortlicher für Datenkultur bei dem Pharma-Unternehmen lehrt er in der internen Digitalakademie das Denken in Daten: Während eines zehnwöchigen Schulungsprogramms können sich Merck-Angestellte von ambitionierten Datenanwendern zu „Citizen Data Scientists“ weiterqualifizieren, die über die Skills „Data Literacy“ und „Data Creativity“ verfügen.

Doch was bedeuten diese Fähigkeiten eigentlich? Und welche Vorteile bietet es, Daten besser verstehen und interpretieren zu können – sowohl im Beruflichen als auch im Privaten? In dieser Folge gibt Boris Einblicke in Mercks Daten-Weiterbildungsprogramm und erklärt, weshalb es so wichtig ist, – nicht nur als Unternehmensmitarbeiter, sondern auch als mündiger Bürger der modernen digitalen Welt –, sich mit den allgegenwärtig gesammelten Daten und deren Bedeutung zu beschäftigen.

Die im Podcast referenzierte Folge zu Data Mesh hört ihr hier.

Kapitel:

(00:00:00) Intro Boris

(00:01:43) Einführung in Data Literacy & Creativity

(00:05:59) FAIR-Prinzipien

(00:08:30) Aufbau des Schulungsprogramms

(00:12:43) Die Bedeutung von „Computational Thinking“ und Datenmündigkeit

(00:19:33) Data Literacy im Unternehmenskontext

(00:24:09) Verknüpfung mit Data Mesh

(00:27:38) Data Creativity: Übungen, Beispiele und Ausblicke

Moderation: Marco Paga

🎃 Unsere Halloween-Folge zeigt euch die Highlights von Micro-Frontends – und entführt euch in ein auditives Uncanny Valley. 👻

Frankenstein oder Geniestreich? Gruselig echt oder echt gruselig? Ihr entscheidet. Keine weiteren Spoiler.

Mitwirkende: Timothy Krechel, Burak Martin

Moderation: Marco Paga

(00:00:00) Micro-Frontends: Past, Present and Future

(00:10:19) THE TWIST

ElevenLabs

Whisper

ChatGPT ist mittlerweile den meisten bekannt. Aber was ist ein privates ChatGPT? Und ist es überhaupt richtig privat?

Niklas Haas und Kamil Braschke geben in dieser Folge Einblicke in die Verwendung von Private ChatGPT und in Prompt Engineering. Weshalb sich Wissensmanagement besonders als Anwendungsfall für Large Language Models eignet thematisieren die beiden Experten ebenso wie die Vorteile von Microsofts Azure AI Services. Auch einige Life Hacks in Sachen Prompt Engineering verraten die beiden.

Moderation: Marco Paga

Referenzen:

Azure Open AI: https://azure.microsoft.com/en-us/products/ai-services/openai-service

Azure Cognitive Search: https://azure.microsoft.com/en-us/products/ai-services/cognitive-search/

LibreChat: https://github.com/danny-avila/LibreChat

KAPITEL:

(00:00:00) Intro Niklas & Kamil

(00:02:50) Einführung in Private ChatGPT

(00:08:45) ChatGPT Use Case: Wissensmanagement

(00:13:00) Training & Finetuning: Wirklich nötig?

(00:15:29) ChatGPT Use Case: Dokumentensuche – Gerichtsurteile

(00:23:10) Prompt Engineering

(00:29:10) Prompting Life Hacks

(00:32:25) Weitere Use Cases

(00:35:18) Indexierung & Embeddings

Elvira „Ellie“ Siegel hat Machine Learning an der LMU in München studiert und ist Teil des SHERLOQ-Teams, das ein Produkt zur KI-gestützten Dokumentenverarbeitung entwickelt. In dieser Folge ordnet sie den Bereich der großen Sprachmodelle (Large Language Models, LLM) in die Welt der künstlichen Intelligenz ein. Sie fasst außerdem kompakt zusammen, wie solche Modelle trainiert werden, und nennt typische Fehlerquellen. Auch gibt sie eine Einschätzung, ob Open-Source-Modelle eine Chance in der stark von ChatGPT geprägten LLM-Landschaft haben.

Moderation: Marco Paga

Kapitel:

(00:00:00) Intro & Vorstellung Elvira

(00:00:48) Begriffsklärung: „künstliche Intelligenz“, „maschinelles Lernen“ und „Deep Learning“

(00:04:48) Einführung in Large Language Models und Transformer-Modell

(00:08:20) Ein Katzen-Beispiel (Cat Content!)

(00:11:28) Weitere Beispiele zu LLMs und Vektorenberechnung

(00:15:39) ChatGPT: Wie ist es überhaupt möglich?

(00:20:28) ChatGPT-Versionen und Unterschiede

(00:23:00) Trainingsphasen von ChatGPT

(00:29:00) Open Source in der LLM-Welt

(00:36:48) Beliebte Fehler von LLMs

(00:41:44) Prompt Injections

Mit welchen Frontend-Technologien sollten sich Backend-Entwicklerinnen und -Entwickler heute mindestens auskennen?

Daniel Zenzes, seines Zeichens Principal Software Engineer bei adesso und ebenfalls Podcast-Host von „Herr Zenzes will's wissen“, verrät in dieser Folge, was aus seiner Sicht die Frontend-Basics sind. Denn: Ist man, wie unser Podcast-Host Marco, vorwiegend im Backend unterwegs, so sieht man schnell den Wald vor lauter Bäumen nicht mehr, wenn man sich doch mal in der Frontend-Welt umsieht – Frameworks und Tools, so weit das Auge reicht. Welche Einstiegspunkte gibt es? Wie kann ich meine CSS- oder JavaScript-Fähigkeiten ausbilden? Und gibt es so etwas wie einen „Opinionated Stack“ in der Frontend-Welt? Daniel berichtet aus seinem reichen Erfahrungsschatz und gibt Empfehlungen und Orientierung.

Daniels Buchtipp zu CSS: https://www.manning.com/books/css-in-depth

KAPITEL:

(00:00:00) Intro Daniel

(00:01:20) Frontend Basics für Backend Developer

(00:04:20) Wie erlernt man diese Technologien am besten?

(00:10:00) Was zuerst erlernen?

(00:12:10) React, Vue.js, Angular

(00:16:00) Was sich am besten für Backend-Menschen eignet: Daniels Empfehlung

(00:18:05) Tipps für konkrete Projekte/Transpiler

(00:24:50) Linting

(00:26:20) Weitere Tools: u. a. Webpack & Vite

(00:31:20) Spring Tooling aka Opinionated Stack für die JavaScript-Welt?

„Die Grenze zwischen Server und Client verschwimmt“ – das ist nur eine von vielen Erkenntnissen aus dieser SoftwerkerCast-Folge, in der Moderator Marco Paga mit Gast Bertram Vogel diesmal in die Frontend-Welt eintaucht und einen weiten Bogen spannt: von Vor- und Nachteilen von Single-Page Applications über Static Site Generation und Server-Side Rendering über Frameworks wie ReactJS, Meta-Frameworks wie NextJS und NuxtJS bis hin zu Performance-Optimierungen mit Qwik, Astro oder Svelte.

Der Titel „State of Frontend“ ist Programm: Hier gibt es einen umfassenden Überblick über aktuelle Technologien, Komplexitätsquellen, User-Anforderungen und Performance-Herausforderungen sowie einen Ausblick auf die Lösungsansätze neuer Projekte und Frameworks wie HTMX oder Hotwire.

Kapitel:

(00:00:00) Intro

(00:01:00) Single-Page Applications: Vor- und Nachteile

(00:14:50) SPAs: Wie geht es nach dem initialen Request weiter?

(00:16:28) Komplexitätsquellen in SPAs

(00:19:20) Blick in die Zukunft der Frontend-Technologien: Meta-Frameworks wie NextJS, NuxtJS etc.

(00:25:00) Herausforderung Hydration & Performance: Partial Hydration, Lazy Loading etc.

(00:29:50) Qwik & Astro

(00:32:30) Wider die Komplexität: Hotwire & HTMX

Gibt man „serverless“ in eine Suchmaschine ein, so stößt man zunächst auf Ergebnisse wie „Cloud-Technologie“, „Event-getriebene Architekturen“. „zustandslose Funktionen“ oder „Pay-as-you-go“. Oft wird „serverless“ auch mit „Functions as a Service“ gleichgesetzt. Früher oder später stößt man dabei zudem auf AWS Lambda.

Arbeitet man sich tiefer in die Materie ein, wie es unser Gast dieser Folge Danny Steinbrecher für seine Masterarbeit getan hat, wird schnell klar, dass sich im Bereich Serverless noch viel mehr Technologien und Möglichkeiten tummeln, als es eine Google-Suche vermuten lässt. Anhand eines Vergleichs zwischen einer AWS-basierten Public-Cloud-Infrastruktur und einem On-Premises-Ansatz mit Knative zeigt Danny, worauf es bei der Implementierung einer Serverless-Anwendung ankommt – und wo jeweils die größten Vorteile und Pain Points liegen.

Kapitel:

(00:00:00) Intro

(00:01:20) Public Cloud vs. On-Premises mit Kubernetes

(00:02:40) Referenzprojekt Public Cloud (AWS)

(00:07:00) Was ist das Serverless-Framework?

(00:10:45) On-Premises-Vergleichsprojekt mit Knative

(00:12:20) Knative Serving und Vergleich mit AWS

(00:18:09) Knative Functions

(00:20:24) Größte Pain Points bei Knative Functions, Workarounds und Potenziale

Warum es sich lohnt, beim Aufsetzen einer Internal Developer Platform an Crossplane zu denken, erklärt Jonas in dieser Folge.

„Come for multi-cloud, stay for platform engineering." So könnte man Jonas' Erfahrung mit Crossplane beschreiben. Eigentlich ein Cloud-natives Control Plane Framework für Multi-Cloud-Infrastruktur, eignet sich Crossplane mit seinem No-Code-Ansatz auch bestens für die Bereitstellung einer Internal Developer Platform (IDP).

Begleite Jonas und Marco auf einen Rundflug über Crossplane, seine Funktionalitäten und Potenziale – auch mit Blick auf andere Tools wie Pulumi oder Terraform. Am Ende der Folge gibt Jonas einen Ausblick, über welche zusätzliche Funktionalität sich Crossplane-Nutzer zukünftig besonders freuen dürften.

Moderation: Marco Paga

Eine Einführung in Crossplane gibt Jonas in diesem Blogpost.

Kapitel:

(00:00:00) Intro Jonas

(00:00:56) Warum Crossplane?

(00:05:40) Crossplane für Platform-Engineering-Teams

(00:14:42) Vergleich mit anderen Tools: Pulumi, Terraform

(00:18:09) Große Module: Weniger Wartungsaufwand in Crossplane?

(00:22:46) Was ist GitOps?

(00:27:29) Bonus: Monitoring

(00:29:53) Upbound Marketplace

„DDD für Daten“: Was verbirgt sich hinter dem Begriff „Data Mesh“? Matthias Niehoff erklärt es im Gespräch mit Marco Paga.

Data Mesh und Service Mesh – das muss doch was miteinander zu tun haben. Oder nicht? Findet in dieser Folge heraus, was ein Data Mesh ist, welche vier Grundprinzipien es kennzeichnet, welche Vorteile Businesses daraus ziehen und wie sich Data Meshes monetarisieren lassen. Kompetenter Gesprächspartner zu diesem Thema ist Matthias Niehoff, Head of Data & AI bei codecentric.

Kapitel:

(00:00:00) Intro Matthias

(00:00:43) Was ist Data Mesh?

(00:04:10) 4 Grundprinzipien: 1. Grundprinzip

(00:05:30) 2. Grundprinzip

(00:07:35) 3. Grundprinzip

(00:11:50) 4. Grundprinzip

(00:13:27) Team Topologies

(00:14:37) Parallelen zu Platform Engineering

(00:15:30) Monetarisierung

(00:19:10) Bewährte Practices

(00:24:10) Wie fange ich mit Data Mesh an?

(00:28:35) Data Mesh im Markt: Post-Hype