Thoughtworks Radar Ausgabe 27 veröffentlicht

Charakteristisch ist, dass die neuesten Trends in den Bereichen Techniken/Tools/Plattformen/Programmiersprachen und Frameworks in vier Stufen – Hold/Assess/Trial/Adopt – visualisiert und erläutert werden

Die Mainstreamisierung von Machine Learning

• ML war einst etwas, das nur Menschen mit den nötigen Tools und Ressourcen nutzen konnten, wird aber durch leistungsfähigere Geräte und das Aufkommen von Open Source zunehmend Mainstream
• Technologien wie Federated ML ermöglichen ML-Modelle, die Datenschutz für sensible Informationen bieten
• TinyML lässt Modelle auf ressourcenbeschränkten Geräten laufen und verlagert Inferenz an den Edge, was die Sicherheit sensibler Daten verbessern kann
• Feature Stores bieten ähnliche Vorteile wie das MVC-Designmuster in der App-Entwicklung und trennen Probleme zwischen Datenkuratierung, Modelltraining und Inferenz klar voneinander
• Offene Modelle wie Stable Diffusion machen sowohl die erstaunlichen Fähigkeiten von ML als auch die Bedenken hinsichtlich Quelldaten und Ethik deutlich
• ML-Komponenten lassen sich heute leichter denn je miteinander verbinden, sodass sich über Geschäftsmodelle und leistungsfähige generische Modelle vielfältige ML-Erfahrungen und -Lösungen schaffen lassen

Die Stärke von „Platform as a Product“

• Das Wort „Plattform“ wird extrem häufig verwendet: für Business- oder domänenzentrierte Plattformen, Infrastruktur, Plattformen für Developer Experience usw.
• Im Kern liegt die Ursache vieler Probleme und Enttäuschungen, die Organisationen mit Plattformen erleben, darin, „Plattformen nicht angemessen als Produkt zu behandeln“
  • Zum Beispiel fehlt bei Plattformen für Entwickler oft die Nutzerforschung oder Kontextanalyse, die man bei anderen Produkttypen erwarten würde
  • Plattformverantwortliche müssen Annahmen über die Anforderungen von Entwicklern validieren und auf reale Nutzungsmuster reagieren
  • Wie jedes gute Produkt brauchen auch Plattformen kontinuierliche Unterstützung. Sie müssen sich entsprechend den sich wandelnden Anforderungen von Entwicklern weiterentwickeln und anpassen
• Die Metapher „Platform as a Product“ wirkt nur dann, wenn sie nicht bloß als Phrase, sondern vollständig als Practice angenommen wird

Data Ownership wandert an den Edge

• Jede Zentralisierung eröffnet die Möglichkeit von Verengung, Bottlenecks und unnötiger Offenlegung
• CRDT-basierte Local-first-Software/-Anwendungstechnologien, die Datenanwendungen ohne zentrale Datenbank ermöglichen, regen dazu an, über den Aufbau von P2P-Daten nachzudenken
• Wenn Data Ownership an den Edge verlagert wird, können Entwickler erweiterte Funktionen auf einzelnen Geräten nutzen
• So können zum Beispiel viele Funktionen wie Gesichtserkennung ausschließlich am Edge verarbeitet werden, sodass Daten dauerhaft nur auf dem Gerät verbleiben

Auch Mobile muss modular sein

• Mit zunehmender Reife mobiler Apps wachsen deren Größe und Zahl der Services, sodass sie sich zu sogenannten Super-Apps entwickeln, die selbst als Plattform betrachtet werden können
• Auch Apps, die nicht groß sind, aber über Jahre viele Funktionen hinzugewonnen haben, lassen sich in Module zerlegen, und Unternehmen erkennen, dass Modularisierung auch bei mobilen Apps Vorteile bringt
• Modulare Apps bieten viele Vorteile, weil sie von mehreren Teams entwickelt werden können
• Kompliziert ist allerdings, dass sie über App Stores verteilt werden müssen, Web-Versionen zusätzlich zu nativem iOS/Android unterstützt werden müssen und dafür jeweils feine Anpassungen nötig sind
• Trotz dieser Vorteile ist es schwierig, einen modularen Ansatz in der mobilen Entwicklung einzuführen, doch es werden zunehmend bessere Frameworks zu sehen sein

[ Techniques ]

Adopt

1. Path-to-production mapping
2. Team cognitive load
3. Threat modeling

Trial

4. BERT
5. Component visual regression testing
6. Design tokens
7. Fake SMTP server to test mail-sending
8. Federated machine learning
9. Incremental developer platform
10. Micro frontends for mobile
11. Observability for CI/CD pipelines
12. SLSA
13. Software Bill of Materials

Assess

14. Carbon efficiency as an architectural characteristic
15. CUPID
16. GitHub push protection
17. Local-first application
18. Metrics store
19. Server-driven UI
20. SLIs and SLOs as code
21. Synthetic data for testing models
22. TinyML
23. Verifiable credentials

Hold

24. Satellite workers without “remote native”
25. SPA by default
26. Superficial cloud native

[ Platforms ]

Adopt

27. Backstage
28. Delta Lake

Trial

29. AWS Database Migration Service
30. Colima
31. Databricks Photon
32. DataHub
33. DataOps.live
34. eBPF
35. Feast
36. Monte Carlo
37. Retool
38. Seldon Core
39. Teleport
40. VictoriaMetrics

Assess

41. Bun
42. Databricks Unity Catalog
43. Dragonfly
44. Edge Impulse
45. GCP Vertex AI
46. Gradient
47. IAM Roles Anywhere
48. Keptn
49. OpenMetadata
50. OrioleDB

[ Tools ]

Adopt

51. Great Expectations
52. k6

Trial

53. Apache Superset
54. AWS Backup Vault Lock
55. AWS Control Tower
56. Clumio Protect
57. Cruft
58. Excalidraw
59. Hadolint
60. Kaniko
61. Kusto Query Language
62. Spectral
63. Styra Declarative Authorization Service
64. xbar for build monitoring

Assess

65. Clasp
66. Databricks Overwatch
67. dbtvault
68. git-together
69. Harness Cloud Cost Management
70. Infracost
71. Karpenter
72. Mizu
73. Soda Core
74. Teller
75. Xcode Cloud
    ##Hold
76. Online services for formatting or parsing code

[ Languages and Frameworks ]

Adopt

77. io-ts
78. Kotest
79. NestJS
80. React Query
81. Swift Package Manager
82. Yjs

Trial

83. Azure Bicep
84. Camunda
85. Gradle Kotlin DSL
86. Jetpack Media3
87. Ladle
88. Moshi
89. Svelte

Assess

90. Aleph.js
91. Astro
92. BentoML
93. Carbon Aware SDK
94. Cloudscape
95. Connect
96. Cross device SDK
97. Cypress Component Testing
98. JobRunr
99. Million
100. Soketi
101. Stable Diffusion
102. Synthetic Data Vault

Hold

103. Carbon

[xguru]

Thoughtworks Radar 26. Ausgabe
ThoughtWorks Radar 24. Ausgabe
Ab 24 wollte ich die Hauptthemen übersetzen und hierher übertragen, aber offenbar habe ich 25 übersprungen … schnief