WJAX 2022

Auch wir sind dieses Jahr wieder mit Talks vertreten, um unsere Expertise und unser Wissen mit euch zu teilen.

‍

Cloud Native und Enterprise Java? Hold my Beer!

Session mit Lars Röwekamp

‍

Auch nach mehr als 20 Jahren ist Jakarta EE (ehemals Java EE) DER Standard, wenn es um die Entwicklung Java-basierter Enterprise-Computing-Lösungen geht. Das gilt zumindest immer dann, wenn die Anwendung als Monolith in einem Application-Server deployt werden soll. Wie aber steht es mit einer Anwendung, die aus einer Vielzahl autark laufender Microservices besteht? Und wie gut schlägt sich Jakarta EE in der Cloud, in der geringer Speicherbedarf und schnelle Startzeiten gefragt sind? Die Session zeigt, wie es Jakarta EE geschafft hat, mit der Zeit zu gehen und so mit Hilfe von Nebenprojekten wie Eclipse MicroProfile den Anforderungen moderner Cloud-Native-Anwendungen gerecht zu werden. Ein Ausblick das Zusammenspiel mit GraalVM und Quarkus zeigt, das Jakarta EE dabei auch in extrem verteilten Cloud-Szenarien, aka Serverless, eine gute Figur macht.

‍

Machine Learning mit Java

Session mit Oliver Zeigermann

‍

Java ist die vorherrschende Sprache bei der Entwicklung von Geschäftsanwendungen, aber Machine-Learning-Anwendungen werden meist mit Python entwickelt. Daraus resultiert die Frage: "Wie macht man als Java-Entwickler Machine Learning?" Und : "Wann ist das sinnvoll und wie ersetzt man evtl. bestehenden Code mit einem solchen Modell und wie bindet man es in die bestehende Anwendung ein?"  In diesem Vortrag sehen wir uns anhand eines durchgängigen Codebeispiels in Java an, warum verschachtelte ifs oft nicht genug sind; welche Möglichkeiten es gibt es, ein Stück Java-Code mit einem Machine Learning Modell zu ersetzen; wie man ein derartiges Modell erzeugt und woran man ablesen kann, ob es gut ist; und was die besonderen Herausforderungen eines Machine Learning Modells in Produktion sind. Als Framework für Machine Learning werden wir TensorFlow nutzen.

‍

Welcher Machine-Learning-Typ passt zu deinem Projekt?

Session mit Lars Röwekamp und Oliver Zeigermann

‍

Der Bereich des Machine Learning ist ebenso breit wie tief und eine Orientierung ist schwierig. Ob und wie Machine Learning für dein neues oder bestehendes Projekt sinnvoll sein kann, ist daher nicht leicht zu entscheiden. Dies hängt weniger von technischen Fragestellungen als vielmehr von der konkreten Herausforderung ab. Möchtest du Ausnahmen erkennen? Texte bewerten? Eine Vorhersage machen? In diesem Talk stellen wir anhand von Beispielen Muster für typische Einsatzmöglichkeiten für Machine Learning vor. Wir werden sehen, welche Voraussetzung für den jeweiligen Typ gelten und auch wann Machine Learning wahrscheinlich nicht sinnvoll ist. Der hier beschriebene Ansatz ist die erste Phase zur Durchführung eines Machine-Learning-Projekts. Wir werden uns daher auch die weiteren Phasen ansehen und was in diesen passieren sollte.

‍

Zur offiziellen Event-Website →