CI/CD

Sieben Mal daneben: Warum Continuous Delivery manchmal scheitert

Kontinuierliches Liefern (Continuous Delivery) und Infrastructure as Code sind Mainstream, oder? Zumindest behaupten viele, es zu praktizieren. Wer es nicht macht, ist draußen (neudeutsch: out) – oder zumindest ganz weit drin im Zimmer. Konsequent zu Ende betrachtet müssten wir also eine enorme Verbesserung der Liefergeschwindigkeit in unserer IT-Welt sehen – und zwar nicht nur bei kleinen Unternehmen und Projekten.

An- und Ausschalter: Continuous Delivery mit Feature-Toggles

Seit einigen Jahren kommen lineare Vorgehensweisen wie die des Wasserfallmodells kaum noch zur Anwendung. Sie wurden durch agile Methoden wie Scrum oder Kanban ersetzt. Dadurch ist unser Arbeitsalltag in einem Softwareentwicklungsteam angenehmer und effizienter geworden. Im Zuge dessen haben auch Praktiken wie Continuous Integration (CI) und Continuous Delivery (CD) Einzug in unseren Arbeitsalltag gehalten. Durch CI-Server wie Jenkins, GitHubCI oder TravisCI werden lästige und ineffiziente Tätigkeiten wie das immer wiederkehrende Integrieren weitestgehend automatisiert.

Domino statt Puzzle: CI/CD richtig umsetzen

Schneller, besser, zuverlässiger ist heute eine Kernanforderung an die Softwareentwicklung. Continuous Integration und Continuous Delivery versprechen, alle Aspekte gleichermaßen zu adressieren und dass man dabei keinerlei Einbußen hinnehmen muss. Der Weg dahin ist allerdings steinig und hat weitreichende Folgen für das gesamte Unternehmen. Julian Fish von Micro Focus erklärt die weitreichenden Stolperfallen und Fragestellungen, denen sich Unternehmen bei der Implementierung stellen müssen.

Domino statt Puzzle: CI/CD richtig umsetzen

Schneller, besser, zuverlässiger ist heute eine Kernanforderung an die Softwareentwicklung. Continuous Integration und Continuous Delivery versprechen, alle Aspekte gleichermaßen zu adressieren und dass man dabei keinerlei Einbußen hinnehmen muss. Der Weg dahin ist allerdings steinig und hat weitreichende Folgen für das gesamte Unternehmen. Julian Fish von Micro Focus erklärt die weitreichenden Stolperfallen und Fragestellungen, denen sich Unternehmen bei der Implementierung stellen müssen.

MLOps: You rock it, you roll it! CI/CD und Operations für Machine Learning

Data Science, Machine Learning (ML) und Artificial Intelligence haben in den letzten Jahren einen wahren Hype ausgelöst und viel Aufmerksamkeit in der Industrie bekommen. Man versucht mit Machine-Learning-Methoden entweder die Produktivität der Nutzer oder die Interaktivität der Applikation zu steigern. Zahlreiche Data-Science-Teams verbringen ihre Zeit damit, Machine Learning Models zu trainieren. Allerdings beobachten wir zwei Arten von Problemen, die in der Praxis entstehen.