AI-ondersteunde en gecontroleerde review

Hoe kunt u AI gebruiken om fouten in een codewijziging op te sporen zonder ongefundeerde commentaren te publiceren?

1250 € per sessie, excl. btw

Samengevat

Tijdens deze halve dag van 3 uur leren deelnemers een review voorbereiden, een AI bevragen over een gerichte wijziging en de bevindingen ervan controleren. De deelnemers formuleren bruikbare commentaren, maken onderscheid tussen aangetoonde fouten en hypotheses en meten vervolgens de kwaliteit van hun review aan de hand van een fictieve patch met bijbehorende tests.

Waarom deze opleiding?

Een review kan een randgeval missen en tegelijk een opeenstapeling van stijlopmerkingen opleveren. AI helpt om het aantal invalshoeken bij het lezen te vergroten, maar de bevindingen moeten aan de code en de vereisten worden gekoppeld om fout-positieven te vermijden. Een nuttig commentaar beschrijft problematisch gedrag, de impact ervan en een manier om het te reproduceren. De opleiding stelt menselijke controle en tests daarom vóór publicatie, zonder de beslissing over integratie aan AI over te laten. Doorlopende casus: De fictieve organisatie Tessoria Réservations wijzigt een functie voor het reserveren van voorraad. De patch moet negatieve hoeveelheden weigeren en voorkomen dat er meer wordt gereserveerd dan beschikbaar is. Het dossier bevat de codediff, de verwachte regels en onvolledige tests; verschillende bekende afwijkingen dienen om de review te evalueren. Toepassing op het werk: Gebruik bij een volgende toegestane wijziging opnieuw het promptsjabloon en het controleraster. Vergelijk de voorgestelde, behouden en verworpen bevindingen na menselijke controle; noteer fouten die later worden ontdekt om de aan AI verstrekte context bij te sturen.

De doelstellingen van deze opleiding

  • De wijziging afbakenen en de nodige context voor de analyse selecteren
  • Een reviewverzoek formuleren dat onderscheid maakt tussen functionele correctheid, robuustheid en leesbaarheid
  • Elke bevinding controleren door de code te lezen of een gerichte test uit te voeren
  • Commentaren schrijven die aan een specifieke codeplaats gekoppeld, onderbouwd en uitvoerbaar zijn
  • Gedetecteerde fouten en fout-positieven meten aan de hand van een casus met een uitgewerkte oplossing

Voor wie en met welke voorkennis?

Betrokken rollen en taken

  • Ontwikkelaars die regelmatig deelnemen aan reviews van wijzigingen
  • Technische aanspreekpunten die de betrouwbaarheid van commentaren bij AI-ondersteunde reviews willen verbeteren

Vereiste voorkennis

  • Een codediff kunnen lezen en unittests kunnen uitvoeren in de gekozen programmeertaal.
  • Al generatieve AI hebben gebruikt en een instructie kunnen herformuleren.

Waaraan u werkt

  1. De wijziging afbakenen

    Doel: Voldoende context voorbereiden zonder de volledige repository door te geven. Codediff, functioneel contract, relevante afhankelijkheden en uitsluitingen; bescherming van geheimen en persoonsgegevens.

  2. Traceerbare bevindingen verkrijgen

    Doel: Aanknopingspunten voor de review laten genereren in plaats van een oordeel. Gestructureerde instructie: verwacht gedrag, analyse-invalshoeken, locatie, impact, verwacht bewijs en onzekerheid.

  3. Waarschuwingen bevestigen of weerleggen

    Doel: Suggesties omzetten in aangetoonde bevindingen. Kritische tegenlezing, grenswaardetests, fout-positieven en onderscheid tussen een voorgestelde en een uitgevoerde test.

  4. De review publiceren en evalueren

    Doel: Proportionele commentaren formuleren en hun betrouwbaarheid meten. Structuur van een commentaar, ernst, facultatieve suggesties en indicatoren berekend met hun bijbehorende noemers.

Wat u meeneemt

  • Contextfiche van de wijziging en afbakening van de review
  • Promptsjabloon voor een review met bewijsvereisten
  • Logboek van bevestigde, verworpen of verder te onderzoeken bevindingen
  • Publicatieklare commentaren, gerichte tests en meetraster

Methode en evaluatie

  • Korte theoretische toelichtingen, onmiddellijk gevolgd door praktijkoefeningen op de doorlopende casus.
  • Individueel werk, gevolgd door werk in duo’s, met wederzijdse controle van de resultaten.
  • Begeleide groepsbespreking: wat werkt, wat moet worden gecorrigeerd en wat een menselijke beslissing blijft.
  • Voorbereiding: Beschik over een ontwikkelomgeving met de fictieve repository en de bijbehorende tests, voorbereid in een programmeertaal die de hele groep beheerst. Controleer de toegang tot een door de organisatie toegestane AI; gebruik uitsluitend fictieve of geanonimiseerde gegevens, zonder geheimen of vertrouwelijke code waarvoor geen toestemming is verleend.

Observeerbare criteria: De context verduidelijkt het verwachte gedrag en de grenzen van de aangeleverde scope. ; Elke behouden bevinding verwijst naar een regel of functie en naar verifieerbaar bewijs. ; De commentaren maken onderscheid tussen een blokkerende fout, een verbetering en een vraag zonder zekerheid. ; De gerichte tests vergelijken verwacht gedrag met waargenomen gedrag. ; Het raster berekent het aandeel bevestigde bevindingen en het aandeel gedetecteerde bekende afwijkingen..

Veelgestelde vragen

Moet u de volledige repository doorgeven?

Nee. De relevante fragmenten en hun afhankelijkheden volstaan; ontbrekende context moet steeds worden gemeld.

Beslist AI over de integratie?

Nee. De goedkeuring blijft een menselijke beslissing en volgt de reviewregels van de organisatie.

Kunt u met interne code werken?

De oefeningen gebruiken fictieve of geanonimiseerde code, uitsluitend in de toegestane tools.

Vervangt deze review een beveiligingsaudit?

Nee. De review kan risico’s aan het licht brengen, maar vervangt noch een gespecialiseerde analyse, noch de bestaande controles.

Laatst bijgewerkt: