ADLC: Der neue Lebenszyklus von Claude Code für KI-Programmierung
AAI LABS
Computing/SoftwareManagementInternet Technology
Transcript
00:00:00Sie haben wahrscheinlich schon oft gehört, dass sich die Softwareentwicklung verändert hat,
00:00:03aber die bloße Einführung neuer Tools kratzt nur an der Oberfläche,
00:00:06weil sich die heute entwickelten Systeme nicht mehr so verhalten wie alte Software.
00:00:10Deshalb mussten sich auch die Frameworks ändern, auf denen Unternehmen aufbauen,
00:00:14denn wenn man weiter auf dem alten Prozess aufbaut, stößt man auf Probleme, die er nicht lösen kann.
00:00:18Um dieser sich verändernden Landschaft gerecht zu werden,
00:00:21ist in der Entwickler-Community ein neues Framework entstanden, das speziell für Agenten entwickelt wurde.
00:00:25Und bis zum Ende dieses Videos werden wir Sie durch dieses neue Lifecycle-Framework führen
00:00:29und Ihnen zeigen, warum Sie es übernehmen sollten.
00:00:31Seit vielen Jahren wird die Softwareentwicklung nach dem SDLC-Modell durchgeführt.
00:00:35Der Software Development Lifecycle ist ein strukturierter Prozess, der seit Jahrzehnten genutzt wird
00:00:39und mehrere Schritte wie Design, Entwicklung, Testen, Deployment, Wartung und fortlaufenden Support umfasst.
00:00:45Der Grundgedanke dahinter ist, dass Software unter Berücksichtigung von Geschäftszielen und Nutzeranforderungen entwickelt werden sollte,
00:00:51wobei das Ergebnis jeder Phase zum Input für die nächste wird.
00:00:54Das funktionierte jedoch nur so lange, bis die KI Einzug in die Technologiebranche hielt.
00:00:57Seitdem KI an Bedeutung gewinnt, war das Erste, was sie zu ersetzen begann, das Schreiben von Code.
00:01:02Vor der KI bestand Entwicklung aus dem unzähligen Schreiben von Code –
00:01:06oft ein repetitiver Prozess des Zusammenfügens von Snippets und Logik aus anderen Quellen, um ein System zur Problemlösung zu bauen.
00:01:12Als die Modelle besser wurden und Tools wie Claude Code und Cursor die Branche dominierten,
00:01:18ist der SDLC allein gescheitert.
00:01:20Er kann sich so nicht mehr halten und muss sich ändern, um echten Mehrwert zu bieten.
00:01:24Deshalb wurde der Agentic Development Lifecycle, oder ADLC, entwickelt.
00:01:28Er schließt die Lücke zwischen dem SDLC und der aktuellen Technologielandschaft.
00:01:32Der ADLC wurde nötig, weil man bei Systemen, die auf dem SDLC basierten,
00:01:36das Verhalten des Systems schon bei der Planung kannte und es Möglichkeiten gab, dies zu überprüfen.
00:01:41Einfach ausgedrückt: Der SDLC behandelt Software als statisches Element, während der ADLC sie als lebendiges System versteht.
00:01:47Da KI-Agenten unvorhersehbar sind und sich durch logisches Denken und die Anpassung von Aufgaben
00:01:53an ihre Umgebung weiterentwickeln, ist es schwer, sie mit den gleichen Metriken wie traditionelle Software zu bewerten.
00:01:59Der Hauptgrund für die Entwicklung des ADLC ist der Nicht-Determinismus eines KI-Agenten in der Produktionsumgebung.
00:02:05Bei KI-Agenten gibt es ständiges Lernen und eine kontinuierliche Weiterentwicklung,
00:02:09und man kann vorab nicht bestimmen, wie die Ausgabe des Agenten aussehen wird.
00:02:12Wenn man mit KI arbeitet, hängen die Entscheidungen vom Prompt, dem Kontext, den Modellen
00:02:16und all den angebundenen externen Tools ab.
00:02:18Modelle an sich sind immer noch unberechenbar, weshalb wir nicht mit 100-prozentiger Genauigkeit vorhersagen können, was ein Prompt zurückgibt.
00:02:25Dadurch hat man im Wesentlichen andere Erfolgsmetriken als beim SDLC.
00:02:29Es gibt 7 Phasen im ADLC, und jede Phase lässt sich auf die eine oder andere Weise genau einer SDLC-Phase zuordnen.
00:02:36Egal ob man an einem agentischen System arbeitet oder nicht: Der erste Schritt bleibt immer die Planung.
00:02:41Was sich ändert, ist die Art und Weise, wie man sie angeht.
00:02:43Für Agenten kann man nicht so planen wie für nicht-agentische Systeme,
00:02:46denn im Gegensatz zu traditionellen Systemen greift der logische Ablauf hier nicht auf dieselbe Weise.
00:02:51Die erste Phase des ADLC – Vorbereitung und Hypothese –
00:02:54zielt darauf ab, ein fundiertes Verständnis des Problems aufzubauen, bevor man sich auf ein Systemdesign oder Modell festlegt.
00:02:59Bei Agenten muss man verstehen, wie Nutzer mit dem System interagieren werden,
00:03:04und sich mit allen Stakeholdern abstimmen, um herauszufinden, wo der Workflow hakt
00:03:07und wie der wiederholte manuelle Aufwand aussieht – denn genau das wird der Agent letztendlich lösen.
00:03:12Dann überprüft man die bestehenden Workflows und Richtlinien, um zu sehen, wie die Dinge derzeit gehandhabt werden.
00:03:16Sobald das klar ist, formuliert man überprüfbare Hypothesen darüber, wo die Agenten den Workflow unterstützen oder automatisieren sollen.
00:03:22Wenn wir diese Phase komplett überspringen würden, würden wir am Ende die falsche Arbeit automatisieren,
00:03:26und anstatt das Problem zu lösen, könnte es alles nur noch schlimmer machen.
00:03:28Der Unterschied zum SDLC liegt hier im Verhalten.
00:03:31Im SDLC war das Verhalten vorhersagbar, weil derselbe Input immer zu demselben Output führte.
00:03:37Der ADLC ist jedoch probabilistisch, da ein Modell involviert ist,
00:03:40und dieselben Inputs führen fast nie zum exakt selben Output.
00:03:43Mit diesem Wissen besteht der erste Schritt darin, den Planungsmodus zu aktivieren
00:03:47und den genutzten Agenten das Verhalten des zu entwickelnden Agenten planen zu lassen, nicht die Implementierung.
00:03:52Weisen Sie ihn an, nicht über Code nachzudenken, sondern den gesamten Workflow abzubilden:
00:03:56Wie interagieren die Agenten mit den Nutzern, was könnte schiefgehen, welcher Overhead könnte entstehen
00:04:00und alle anderen Annahmen über das System.
00:04:03Auf diese Weise beginnt Ihr Agenten-Entwicklungsprozess mit den Kernannahmen,
00:04:06was ein besserer Leitfaden ist, als direkt in die Architekturplanung einzusteigen.
00:04:10Sobald die initiale Planung abgeschlossen ist, folgt direkt danach eine weitere Ebene,
00:04:13in der Sie den Umfang und das Problem richtig identifizieren.
00:04:16Dies entspricht der Analysephase oder Machbarkeitsstudie des SDLC,
00:04:20in der man die Geschäftsanforderungen analysierte und prüfte, ob die Umsetzung machbar war.
00:04:25Diese Phase des ADLC dient also dazu, die wichtigen Prozesse und die Rolle der KI bei deren Lösung zu identifizieren,
00:04:31die Einschränkungen und technischen Grenzen abzustecken
00:04:33und klare geschäftliche sowie technische KPIs im Vorfeld zu definieren, wie Zeit, Kosten, Latenz und Machbarkeit.
00:04:39An diesem Punkt definieren Sie auch die Kompromisse und wissen, welche Faktoren akzeptabel sind und welche nicht.
00:04:44Der wichtigste Teil dieser Phase ist jedoch die korrekte Abbildung des Mensch-Agenten-Verantwortungsmodells,
00:04:49da dies eine Rechenschaftsstruktur schafft.
00:04:52Ein Mensch muss sie immer noch überprüfen, da wir einem Agenten nicht alle Entscheidungen anvertrauen können.
00:04:56Am Ende dieser Phase verfügen Sie über eine ordnungsgemäße Dokumentation, in der die Workflow-Schritte mit klaren KPIs definiert sind
00:05:02und das Mensch-Agenten-Verantwortungsmodell eindeutig dargelegt ist.
00:05:05Das ist wichtig, denn im Falle eines Fehlers kann man die Schuld nicht gänzlich dem Modell zuschieben.
00:05:09Die Letztverantwortung muss letztlich beim Menschen verbleiben.
00:05:12Diese Planung der menschlichen Verantwortung war früher nicht nötig, da keine KI im Spiel war.
00:05:17Sie definiert die Autonomiegrenzen des Agenten. Wenn Sie diesen Schritt überspringen,
00:05:21riskieren Sie Ihre eigene Compliance und Rechenschaftspflicht in der Produktion.
00:05:24Um dies mit Agenten umzusetzen, nutzen Sie wieder den Planungsmodus und weisen ihn an, Workflows, Latenzen, Systemprobleme,
00:05:30alle in der Architektur benötigten Funktionen und mögliche Fehlerszenarien durchzuplanen.
00:05:34Sobald diese klar formuliert sind, versteht der Agent den richtigen Rahmen, um sich beim Bauen schrittweise voranzuarbeiten.
00:05:39Nachdem der Umfang und die übergeordneten Funktionen definiert sind, ist es an der Zeit, in die Designphase überzugehen.
00:05:43In dieser Phase definieren wir die Systemarchitektur für den Agenten selbst.
00:05:47Hier entscheiden Sie, welchem Muster der Agent folgen soll – wie ReAct, Plan-and-Act, einem Multi-Agenten-Setup oder welchem Ansatz auch immer.
00:05:54Dann planen Sie den Datenfluss von einem Punkt zum anderen, was bei der Einbindung mehrerer Agenten noch viel entscheidender wird.
00:06:00Der Agent muss die korrekten Daten erhalten, andernfalls wird er Probleme verursachen, statt zu helfen.
00:06:05Sie planen auch Kostenstrukturen wie die Token-Ökonomie, Funktionen zur Kontextbearbeitung und Kompaktierung
00:06:10und ermitteln, wie hoch die Kosten für das Deployment dieses Agenten in der Produktion sein werden
00:06:14und was passiert, wenn er beginnt, mehrere Nutzer gleichzeitig zu bedienen.
00:06:17Hier wählen Sie nun auch tatsächlich aus, welche Modelle Sie nutzen wollen, welches Orchestrierungs-Framework Sie verwenden,
00:06:23die Datenbank und all die anderen beteiligten Technologien. Und genau hier definieren Sie, wie Erfolg aussehen soll,
00:06:28bevor überhaupt Code geschrieben wird, damit Sie den Agenten mittels TDD entwickeln können.
00:06:32Bevor Ihr System live geht, haben Sie bereits die Kompromisse bei Latenz, Genauigkeit, Halluzinationen und ähnlichen Problemen abgewogen.
00:06:38Diese Phase erfordert ebenfalls den Planungsmodus Ihres Agenten.
00:06:41Sie geben ihm Prompts, um ein umfassendes Design zu entwerfen, das die Agentenarchitektur, den Datenfluss, das Kostenmodell
00:06:46und die gesamte technische Struktur abdeckt, sodass Sie mit einem konkreten Plan zum nächsten Schritt übergehen können.
00:06:51Nachdem die initialen Pläne stehen, folgt als nächster Schritt die Simulation und der Proof of Value.
00:06:55Hier nutzen Sie reale Daten, um die in den früheren Phasen getroffenen Annahmen zu testen.
00:06:59Sie erstellen Prototypen, um herauszufinden, ob es sich überhaupt lohnt, mit dem Bau dieses Agenten fortzufahren.
00:07:04Im Grunde entscheiden Sie in dieser Phase, ob Sie den Agenten überhaupt entwickeln sollten, da die Kosten eines Scheiterns hier noch viel geringer sind.
00:07:10Zu den Kernaktivitäten gehören hier das Vorbereiten des Datensatzes bzw. der Ground Truth für Verhaltenstests,
00:07:15das Bauen von Prototypen, um die zuvor dokumentierten risikoreichen Annahmen zu überprüfen,
00:07:19und das Validieren von Datenqualität, Halluzinationsrate, Genauigkeit, Antwortqualität und Benchmarks.
00:07:25Sie überprüfen auch die ursprüngliche Hypothese noch einmal, um festzustellen, ob sich die Investition auszahlen wird.
00:07:30Die Ergebnisse sind präzise gemessene Performance- und Kosten-Baselines
00:07:33zusammen mit dem zuvor erwähnten Ground-Truth-Dokument, das als Testgrundlage für Regressionstests und das Modell-Finetuning dient.
00:07:40Diese Phase fungiert als Validierungsschranke.
00:07:42Wenn die Ergebnisse hier überzeugen, können Sie die Arbeit an dem Agenten fortsetzen.
00:07:46Wenn nicht, ist das Projekt gescheitert. Es ist viel besser, das frühzeitig zu erkennen,
00:07:50denn wenn das System erst in der Produktion gelandet wäre, wäre der Schaden weitaus größer.
00:07:54Dazu fordern Sie Ihren KI-Agenten auf, den ersten Prototyp zu erstellen, damit Sie ihn gegen all Ihre Planungen testen können.
00:08:00Aber bevor wir fortfahren, ein kurzes Wort von unserem Sponsor: Softr.
00:08:04Vibe-Coding-Tools sind großartig, um eine Benutzeroberfläche zu generieren, aber sobald man echte Authentifizierung,
00:08:08Nutzerrollen, Berechtigungen oder eine wirklich skalierbare Datenbank braucht, bricht alles zusammen und man muss wieder selbst Code schreiben.
00:08:14Softr ist ein KI-App-Builder, der all das mit einem einzigen Prompt erledigt.
00:08:18Sie beschreiben auf einfachem Deutsch, was Sie brauchen, und der KI-Co-Builder generiert den gesamten Stack, die Datenbank, die Seiten, die Navigation, den Login und die rollenbasierten Berechtigungen in einem Rutsch.
00:08:28Das sind keine reinen Prototyp-Seiten, sie funktionieren tatsächlich.
00:08:30Sie können die App in der Vorschau prüfen, sehen, was jede Nutzerrolle sieht, und wenn Sie auf Veröffentlichen klicken, ist Ihre App live – inklusive Hosting, Nutzergruppen, Sicherheitsstandards auf Enterprise-Niveau und Zugriffskontrolle.
00:08:40Und Sie brauchen keinen Entwickler, um sie zu warten.
00:08:42Alles ist visuell aufgebaut, sodass Sie Workflows aktualisieren, Nutzer verwalten und Funktionen selbst hinzufügen können.
00:08:47Die wahren Kosten von Software entstehen nicht beim Erstellen, sondern bei der Wartung – und genau das löst Softr.
00:08:52Sichern Sie sich Ihre kostenlosen KI-Credits, indem Sie auf den Link in der Beschreibung klicken, und legen Sie los.
00:08:57Dies markiert das Ende der Planungsphase und bringt uns zu dem Teil, in den viele Leute direkt hineinspringen: die Implementierung.
00:09:03Die vorherigen Schritte sind enorm wichtig, denn wenn Sie sie richtig durchgeführt haben, stoßen Sie hier nicht auf jene Probleme, die die meisten durch das Überspringen dieser Phasen haben.
00:09:11Das ist also der Moment, in dem Sie Ihren Agenten tatsächlich entwickeln, die Kernlogik aufbauen und Ihren Entwicklungs-Workflow orchestrieren.
00:09:16Und hier sieht man eine der deutlichsten Trennlinien zwischen SDLC und ADLC.
00:09:20Im SDLC liegt die Logik im Code, in der Konfiguration und in Abhängigkeiten von Drittanbietern.
00:09:25Im ADLC verteilt sich diese Logik auf Code, Prompts, Modelle, Tools und externe Dienste.
00:09:30Sie verwalten also nicht mehr nur Software, sondern all diese Ebenen zusammen, und jede einzelne davon kann das Verhalten des Systems verändern.
00:09:38Wenn Sie Multi-Agenten-Systeme entwickeln müssen, ist die neue Agenten-Ansicht in Claude Code eine Möglichkeit, Ihre Workflows zu orchestrieren.
00:09:44Mit der Agenten-Ansicht können Sie Aufgaben viel besser delegieren als bei der regulären Nutzung von Claude.
00:09:49Denn anstatt verschiedene Claude-Code-Sitzungen einzeln zu verwalten, steuern Sie eine einzige Orchestrierungsebene und geben dem Agenten-Manager Prompts, um alle Agenten darüber zu koordinieren.
00:09:57An diesem Punkt integrieren Sie Tools wie MCPs und APIs.
00:10:01Wenn Sie beispielsweise einen persönlichen Assistenten bauen, wissen Sie, dass er so etwas wie einen Google Calendar MCP, einen Gmail MCP und vielleicht einen Notion MCP benötigen wird.
00:10:09Und das Wichtigste hierbei ist das Kontextmanagement.
00:10:11Sobald man nämlich einen Agenten für die Produktion baut, wird dies zu einem der kritischsten Aspekte.
00:10:16Selbst die größten derzeit verfügbaren Kontextfenster, wie die 1-Million-Token-Fenster in Gemini und Opus, erfordern immer noch eine sorgfältige Handhabung.
00:10:24Sie müssen sicherstellen, dass der Agent die richtigen Informationen im Gedächtnis behält und ein Verkommen des Kontextes vermieden wird.
00:10:28Denn wenn er am Ende zu viele irrelevante Informationen enthält, verzettelt sich seine Aufmerksamkeit und die Ergebnisse werden schlechter.
00:10:34In dieser Phase müssen Sie auch von Entwicklerseite aus testen, um die Verhaltenskonsistenz nach jeder Änderung durch manuelle Validierung des Agenten-Setups gegen die Anforderungen sicherzustellen.
00:10:44Entwicklung und Validierung sind in agentischen Systemen nicht voneinander getrennt.
00:10:48Ohne ständige Tests kann man nicht weitermachen, da selbst kleine Änderungen riesige Auswirkungen auf den gesamten Workflow haben können.
00:10:54Man braucht also parallel zur Entwicklung des Agenten eine Validierung auf Entwicklerebene, statt sich erst später auf einen separaten Testschritt zu verlassen.
00:11:01Nachdem Sie Ihr System fertiggestellt haben, folgt als nächste Phase das Testen.
00:11:05Wie bereits erwähnt, muss das Testen während des gesamten Entwicklungsprozesses fortlaufend erfolgen. Sobald Ihr System steht, testen Sie es unter produktionsnahen Bedingungen statt nur als einzelne Komponenten.
00:11:14Dies ist die Phase, in der Sie Integrationstests durchführen.
00:11:16Sie führen auch Benutzerakzeptanztests durch, bei denen Sie Feedback von echten Nutzern des Systems sammeln und dieses wieder in das System einfließen lassen.
00:11:24Sie testen über mehrere Faktoren wie Bias, Compliance, Performance und andere risikobezogene Dimensionen hinweg, um sicherzustellen, dass das Release vor dem Livegang sicher ist.
00:11:32Und genau hier verschieben sich die Erfolgsmetriken komplett.
00:11:35Im SDLC hat man die funktionale Korrektheit mit Tests gemessen, die einfach bestanden wurden oder fehlschlugen.
00:11:40Im ADLC misst man die Genauigkeitsverteilung, die Halluzinationsrate und die Kosten pro Ergebnis, da sich nichts davon einfach in ein simples “Bestanden” oder “Fehlgeschlagen” pressen lässt.
00:11:48Das gesamte Testparadigma verändert sich damit ebenfalls.
00:11:50Im SDLC validierten vordefinierte Tests bekannte Codepfade.
00:11:54Im ADLC wird daraus eine kontinuierliche Evaluierung von logischem Denken, Sicherheit und Tool-Nutzung, da der Agent denselben Pfad nie zweimal auf exakt dieselbe Weise durchläuft.
00:12:02Es gibt verschiedene Evaluierungs-Frameworks wie RAGAS und DEEPVAL, aber das Entscheidende für die Überprüfung der Korrektheit ist, wie Ihre Daten im Vergleich zu den zuvor definierten Metriken abschneiden.
00:12:12Es gibt mehrere Möglichkeiten, ein agentisches System zu testen, darunter funktionale, nicht-funktionale, strukturelle Tests und Lasttests.
00:12:18Jeder dieser Tests muss gründlich durchgeführt werden – oft unter Einsatz von agentischen Systemen selbst –, damit Randfälle richtig identifiziert und vor dem Produktionsstart behoben werden.
00:12:27Wenn Ihnen unsere Inhalte gefallen, drücken Sie gerne den Hype-Button, da uns das hilft, mehr solcher Inhalte zu erstellen und mehr Menschen zu erreichen.
00:12:34Sobald Ihr System bereit ist, ist es an der Zeit, es zu deployen und für die reale Welt verfügbar zu machen.
00:12:39Sie deployen es nicht einfach direkt und haken es ab, denn bei agentischen Systemen ist weit mehr involviert.
00:12:44Bei einem normalen System bedeutet Deployment meist, es in die Produktion zu pushen und den Systemzustand zu überwachen.
00:12:49Bei agentischen Systemen ist das völlig anders, und hier ändert sich die Bedeutung von Deployment selbst grundlegend.
00:12:54Im SDLC war das Deployment das Ende der Entwicklung und der Beginn einer stabilen Betriebsphase – der Punkt, an dem die Software in ihre ruhigen Jahre eintrat.
00:13:02Im ADLC ist das Deployment der Beginn einer aktiven Überwachung und Steuerung, die von Modell-Updates, Kontext-Drift und Umgebungsveränderungen geprägt ist, die sich auch nach dem Release ständig weiterbewegen.
00:13:11Auch wenn die Entwicklung abgeschlossen sein mag, ist diese Phase umso kritischer, da Sie nun Verhaltens- und Systemmetriken aktiv überwachen müssen.
00:13:19Sie benötigen außerdem Alarmierungsregeln, die Qualität, Sicherheit und Performance ständig im Auge behalten, damit Probleme frühzeitig erkannt werden, bevor sie zu großen Produktionsfehlern führen.
00:13:28Deployment ist im Wesentlichen eine kontrollierte Aktivierung mit kontinuierlicher Beobachtung, während echte Nutzer mit dem System interagieren.
00:13:34Anstatt sich nur auf den Systemzustand zu konzentrieren, fokussieren Sie sich auf die Verhaltensleistung, damit Probleme frühzeitig erkannt werden, bevor sie alle Nutzer betreffen.
00:13:41In der Praxis geben Sie das System zunächst für eine begrenzte Gruppe von Nutzern frei und lassen es unter realen Bedingungen testen.
00:13:46Dann beobachten Sie, wie das agentische System über die Zeit reagiert, bevor Sie es schrittweise für alle ausrollen.
00:13:52Nachdem die Implementierung alle Prozesse durchlaufen hat, wird sie zu einem fortlaufenden Zyklus aus Wartung, kontinuierlichem Lernen und Wachstum.
00:13:58Dies ist eine wichtige Phase, da sie den Agenten präzise hält und an den Anforderungen der realen Welt ausrichtet.
00:14:03Bei traditionellen Systemen sind Feedbackschleifen relativ einfach.
00:14:06Ein Nutzer meldet einen Fehler, und ein Entwickler überarbeitet und behebt ihn.
00:14:10Bei agentischen Systemen ist das ganz anders, da sie auf einem kontinuierlichen Verbesserungsprozess basieren, der zu keinem Zeitpunkt stoppt.
00:14:16Der Zyklus verfeinert das Modell fortlaufend, und alle negativen Signale werden zurückgespeist, damit es sein Verhalten im Laufe der Zeit verbessern kann.
00:14:22Dies geschieht in der Regel über UI-Signale wie “Daumen hoch” und “Daumen runter”, um zu erfassen, wie der Nutzer eine Antwort wahrnimmt.
00:14:29Viele Produktionssysteme nutzen bereits ähnliche Mechanismen, wie das Auswählen zwischen mehreren Ausgaben oder das Ranking von Antworten, wie man es von Tools wie ChatGPT oder den Feedback-Systemen in Claude kennt.
00:14:39Diese Signale werden dann in das agentische System zurückgespeist, damit es lernen und sich im Hinblick auf eine bessere Performance weiterentwickeln kann.
00:14:44Außerdem erfolgt eine regelmäßige Aktualisierung von Datenquellen und Embeddings, um sicherzustellen, dass das System aktuell bleibt und nicht unter veralteten Informationen leidet.
00:14:52Die Ausrichtung muss ständig überwacht werden, damit Sicherheit und Guardrails gegen alle Arten von Prompts wirksam bleiben, einschließlich Risiken wie Prompt Injection.
00:15:00Die Schlüsselvariablen hierbei sind fortlaufendes Kostenmanagement, Qualitätsverfolgung, Produktverbesserungs-Backlogs und Modell-Upgrades, die alle kontinuierlich gepflegt werden müssen, um das System über die Zeit stabil, sicher und betriebsbereit zu halten.
00:15:11Damit sind wir am Ende dieses Videos angelangt.
00:15:13Wenn Sie den Kanal unterstützen und uns dabei helfen möchten, weiterhin Videos wie dieses zu machen, können Sie dies über den Super Thanks-Button unten tun.
00:15:20Wie immer vielen Dank fürs Zuschauen, und wir sehen uns im nächsten Video.
Community Posts
No posts yet. Be the first to write about this video!
Write about this video