Continuous Delivery bedeutet, regelmäßig Software auszuliefern. Was wie eine relativ unwichtige Maßnahme wirkt, hat weitreichende Konsequenzen. Daher lohnt sich ein Blick hinter die Kulissen.

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.

Continuous Integration ist aus der modernen Softwarelandschaft nicht mehr wegzudenken. GitLab bietet reichlich Möglichkeiten, eine Deployment Pipeline einzurichten. Zur Orchestrierung der damit erstellten Docker-Container bietet sich Rancher an.

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.

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.

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.

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.

Continuous Delivery bedeutet, regelmäßig Software auszuliefern. Was wie eine relativ unwichtige Maßnahme wirkt, hat weitreichende Konsequenzen. Daher lohnt sich ein Blick hinter die Kulissen.