Der Flaschenhals in der Softwareentwicklung war nie das Programmieren, sondern das Verstehen des Problems. Über den unterschätzten ROI von Verständnis.
KI Coden hat bei mir zwei Anwendungen. Einmal schnelle Skripte die nicht in den Produktivcode kommen. Sowas wie “lade die sqlite und filtere alle Einträge mit Kriterium xy aus”. Sowas macht Copilot schneller als ich das runtertippen kann. Und eine bessere Autovervollständigung, was oft hilfreich ist aber manchmal auch totalen Müll produziert. Z.b. nicht existierende Variablen verwendet oder unreachable code erzeugt usw.
Edit: auch Doku bzw. Doxygen Kommentare gehen gut mit Copilot.
KI Coden hat bei mir zwei Anwendungen. Einmal schnelle Skripte die nicht in den Produktivcode kommen. Sowas wie “lade die sqlite und filtere alle Einträge mit Kriterium xy aus”. Sowas macht Copilot schneller als ich das runtertippen kann. Und eine bessere Autovervollständigung, was oft hilfreich ist aber manchmal auch totalen Müll produziert. Z.b. nicht existierende Variablen verwendet oder unreachable code erzeugt usw.
Edit: auch Doku bzw. Doxygen Kommentare gehen gut mit Copilot.
Wie kannst du die Query schneller einer KI beschreiben als sie eigenhändig in der effizientesten Sprache hierfür -> SQL <- zu schreiben?
Also um das Offensichtliche zu benennen: würdest du SQL Lernen wärst du schneller, du wärst unabhängiger und würdest weniger Ressourcen verschwenden.
Es geht mehr um den Gluecode wenn die Query eigentlich trivial ist. Sowas wie erstmal die Python Imports machen und ne main mit Argumentliste usw.
Copilot macht das halt in 10sek. Ich kann schnell tippen, aber nicht so schnell.
100 Copilot Token sind 0,006Wh, ne durchschnittliche Anfrage liegt bei 0,4Wh. Wenn man dafür bloß 5min eher den Arbeitsrechner abschalten kann dürfte sich das lohnen.