Thoughtworks Technology Radar, Volume 29 dirilis

Tren terbaru di bidang teknik/alat/platform/bahasa pemrograman dan framework divisualisasikan dan dijelaskan dalam 4 tahap: Hold/Assess/Trial/Adopt

Pengembangan perangkat lunak berbantuan AI

• LLM open source untuk coding akan mengguncang lingkungan alat pengembangan
• Selain coding, ada juga potensi besar untuk membantu penulisan user story, riset pengguna, elevator pitch, dan pekerjaan terkait bahasa lainnya
• Pada saat yang sama, pengembang harus menggunakan semua alat ini secara bertanggung jawab dan mewaspadai hal-hal seperti package hallucination

Seberapa produktifkah pengukuran produktivitas?

• Pengembangan perangkat lunak kadang tampak seperti sihir bagi orang yang bukan ahli teknis, sehingga manajer berusaha mengukur seberapa produktif kinerja pengembang
• Martin Fowler menulis artikel berjudul "Productivity can't be measured" pada tahun 2003
• Hingga kini, metrik pengganti untuk Activity dalam framework SPACE (Satisfaction and well-being, Performance, Activity, Communication and collaboration, Efficiency and flow), seperti jumlah pull request atau jumlah issue yang diselesaikan, juga tidak terlalu baik
• Sebagai gantinya, industri mulai berfokus pada "engineering efficiency", yaitu gagasan bahwa alih-alih mengukur produktivitas, kita harus "mengukur faktor yang berkontribusi pada flow atau yang menghambatnya"
• Daripada berfokus pada aktivitas individu, perhatian perlu diarahkan pada sumber pemborosan dalam sistem dan kondisi yang dapat ditunjukkan secara empiris memengaruhi persepsi "produktivitas" pengembang
• Alat baru seperti DX DevEx 360 mencoba menyelesaikan masalah ini dengan berfokus pada pengalaman pengembang, bukan pengukuran output tertentu
• Namun, banyak pemimpin masih menyebut 'produktivitas' pengembang dengan cara yang kabur dan kualitatif
• Setidaknya sebagian dari bangkitnya kembali perhatian ini tampaknya terkait dengan dampak pengembangan perangkat lunak berbantuan AI, yang memunculkan pertanyaan: "Apakah ini benar-benar memberi dampak positif?"
• Pengukuran produktivitas yang sesungguhnya masih tetap sulit

Banyak sekali LLM

• LLM (large language model) menjadi fondasi bagi banyak inovasi modern di AI
• Saat ini banyak eksperimen melibatkan antarmuka pengguna mirip chat seperti ChatGPT atau Bard
• Secara luas, LLM adalah alat yang dapat menyelesaikan berbagai masalah, mulai dari pembuatan konten (teks, gambar, dan video) hingga pembuatan kode, peringkasan, dan penerjemahan
• Dengan menggunakan "bahasa alami" sebagai lapisan abstraksi yang kuat, model-model ini menawarkan seperangkat alat yang menarik secara universal sehingga digunakan oleh banyak pekerja informasi
• Ada berbagai diskusi tentang LLM dari banyak sisi, termasuk self-hosting yang memungkinkan kustomisasi dan kontrol lebih kuat dibanding LLM yang di-host di cloud
• Seiring meningkatnya kompleksitas LLM, kami juga mempertimbangkan kemampuan untuk melakukan kuantisasi dan menjalankan LLM dalam form factor kecil, terutama di edge device dan lingkungan terbatas
• Kami juga melihat "ReAct Prompting" yang menjanjikan peningkatan performa, bersama autonomous agent berbasis LLM yang dapat digunakan untuk membangun aplikasi dinamis yang melampaui interaksi tanya-jawab
• Disebut juga beberapa vector database yang bangkit kembali berkat LLM, termasuk Pinecone
• Kapabilitas dasar LLM, termasuk fitur spesialisasi dan self-hosting, terus menunjukkan pertumbuhan eksplosif

Solusi workaround untuk delivery jarak jauh makin matang

• Tim pengembangan perangkat lunak jarak jauh telah lama memanfaatkan teknologi untuk mengatasi batasan geografis, tetapi dampak pandemi mempercepat inovasi di bidang ini sehingga kerja full remote atau hybrid menjadi tren yang menetap
• Dalam Radar kali ini, dibahas bagaimana cara kerja dan alat pengembangan perangkat lunak jarak jauh telah makin matang, serta bagaimana tim terus mendorong batas untuk kolaborasi efektif dalam lingkungan yang semakin terdistribusi dan dinamis
• Beberapa tim terus menghadirkan solusi inovatif dengan menggunakan alat kolaborasi baru
• Sebagian lainnya terus menyesuaikan dan menyempurnakan praktik tatap muka yang sudah ada untuk aktivitas seperti pair programming real-time atau mob programming, serta workshop terdistribusi (misalnya remote event storming). Keduanya, async maupun sync, dimungkinkan
• Kerja jarak jauh memang menawarkan berbagai manfaat (termasuk kumpulan talenta yang lebih beragam), tetapi nilai interaksi tatap muka tetap jelas
• Tim tidak boleh membiarkan feedback loop penting hilang, dan perlu menyadari kelebihan serta kekurangan yang muncul saat beralih ke pengaturan kerja jarak jauh

[Techiniques]

Adopt

1. Design systems
2. Lightweight approach to RFCs

Trial

3. Accessibility-aware component test design
4. Attack path analysis
5. Automatic merging of dependency update PRs
6. Data product thinking for FAIR data
7. OIDC for GitHub Actions
8. Provision monitors and alerts with Terraform
9. ReAct prompting
10. Retrieval-Augmented Generation (RAG)
11. Risk-based failure modeling
12. Semi-structured natural language for LLMs
13. Tracking health over debt
14. Unit testing for alerting rules
15. Zero trust security for CI/CD Assess
16. Dependency health checks to counter package hallucinations
17. Design system decision records
18. GitOps
19. LLM-powered autonomous agents
20. Platform orchestration
21. Self-hosted LLMs

Hold

22. Ignoring OWASP Top 10 lists
23. Web components for server-siderendered (SSR) web apps

[Platforms]

Adopt

24. Colima

Trial

25. CloudEvents
26. DataOps.live
27. Google Cloud Vertex AI
28. Immuta
29. Lokalise
30. Orca
31. Trino
32. Wiz

Assess

33. ActivityPub
34. Azure Container Apps
35. Azure OpenAI Service
36. ChatGLM
37. Chroma
38. Kraftful
39. pgvector
40. Pinecone
41. wazero

[Tools]

Adopt

42. dbt
43. Mermaid
44. Ruff
45. Snyk

Trial

46. AWS Control Tower
47. Bloc
48. cdk-nag
49. Checkov
50. Chromatic
51. Cilium
52. Cloud Carbon Footprint
53. Container Structure Tests
54. Devbox
55. DX DevEx 360
56. GitHub Copilot
57. Insomnia
58. IntelliJ HTTP Client plugin
59. KEDA
60. Kubeconform
61. mob
62. MobSF
63. Mocks Server
64. Prisma runtime defense
65. Terratest
66. Thanos
67. Yalc

Assess

68. ChatGPT
69. Codeium
70. GitHub merge queue
71. Google Bard
72. Google Cloud Workstations
73. Gradio
74. KWOK
75. Llama 2
76. Maestro
77. Open-source LLMs for coding
78. OpenCost
79. OpenRewrite
80. OrbStack
81. Pixie
82. Tabnine

[Languages and Frameworks]

Adopt

83. Playwright

Trial

84. .NET Minimal API
85. Ajv
86. Armeria
87. AWS SAM
88. Dart
89. fast-check
90. Kotlin with Spring
91. Mockery
92. Netflix DGS
93. OpenTelemetry
94. Polars
95. Pushpin
96. Snowpark

Assess

97. Baseline Profiles
98. GGML
99. GPTCache
100. Grammatical Inflection API
101. htmx
102. Kotlin Kover
103. LangChain
104. LlamaIndex
105. promptfoo
106. Semantic Kernel
107. Spring Modulith

[xguru]

Thoughtworks Technology Radar, Volume 28 dirilis
Thoughtworks Technology Radar edisi 27 diterbitkan
Thoughtworks Technology Radar edisi 26 (PDF 39 hlm)
ThoughtWorks Technology Radar edisi 23 diterbitkan
ThoughtWorks Technology Radar edisi 22 [PDF 32 hlm]
Berita teknologi yang diterbitkan ThoughtWorks setiap 6 bulan - Radar Vol.21