feat: enhance documentation with new sections on automation flows and DORA metrics

harrybin · harrybin · commit 2fe18dbe54df · 2026-04-23T08:40:36.000+02:00
diff --git a/special-slides/aiops-Mainteance-mit-KI/auto-documentation.md b/special-slides/aiops-Mainteance-mit-KI/auto-documentation.md
@@ -126,11 +126,7 @@ Aber: "Im Vorbeigehen" heißt NICHT "einmal drüber fliegen". Es heißt: Jeder P
 
 ---
 layout: cover
-<<<<<<< HEAD
-coverImage: /bulb.jpeg
-=======
 background: /bulb.jpeg
->>>>>>> 8359e3f3e210763b57c97be08b75561469833efc
 hideInToc: true
 ---
 
diff --git a/special-slides/aiops-Mainteance-mit-KI/governance.md b/special-slides/aiops-Mainteance-mit-KI/governance.md
@@ -129,7 +129,7 @@ hideInToc: true
 
 <v-clicks>
 
-- Dedizierte Lernzeit während der Arbeit
+- Dedizierte Lernzeit **während der Arbeit**
 - **131%** mehr Adoption
 - Nicht auf Freizeit erwarten
 - Experimentieren ermöglichen
diff --git a/special-slides/aiops-Mainteance-mit-KI/rca-deep-dive.md b/special-slides/aiops-Mainteance-mit-KI/rca-deep-dive.md
@@ -120,6 +120,99 @@ Von "wir vermuten es liegt an der DB" zu "es ist Library v2.1, Zeile 847, Connec
 🎨 Image prompt: Not needed — this slide uses a mermaid diagram.
 -->
 
+---
+hideInToc: true
+---
+
+# End-to-End: Vom Alert zum automatischen Fix
+
+```mermaid {scale: 0.45}
+flowchart TD
+    A["🔍 1. Smart Detection<br/>App Insights erkennt<br/>Performance-Anomalie (ML)"] -->|Anomalie| B
+    B["🚨 2. Alert Rule feuert<br/>Azure Monitor Alert"] -->|Alert fired| C
+    C["⚡ 3. Action Group<br/>Triggert Logic App"] -->|HTTP POST| D
+    C -->|Notification| H
+
+    subgraph azure ["☁️ Azure Cloud (automatisiert)"]
+        A
+        B
+        C
+    end
+
+    D["🔗 4. Logic App<br/>GitHub Issue erstellen<br/>via GitHub-Connector"] -->|Issue erstellt| E
+    E["🤖 5. Issue → Copilot<br/>assignee: copilot-swe-agent"] -->|Assignment| F
+
+    subgraph github ["🐙 GitHub (automatisiert)"]
+        F["🛠️ 6. Copilot Coding Agent<br/>VM → Code-Analyse → Draft-PR"]
+    end
+
+    subgraph manual ["👤 Mensch im Loop (parallel)"]
+        H["🧠 Azure Copilot<br/>'Why is my web app slow?'<br/>→ Automatische Diagnostik"]
+    end
+
+    F -->|PR ready| G
+    H -->|Analyse fließt in| G
+    G["✅ Mensch reviewed & merged"]
+
+    style azure fill:#E6F2FF,stroke:#0078D4,stroke-width:2px
+    style github fill:#F0F0F0,stroke:#24292F,stroke-width:2px
+    style manual fill:#FFF3E0,stroke:#FF8C00,stroke-width:2px
+```
+
+<!--
+Der vollautomatisierte End-to-End-Flow von der Erkennung bis zum Fix:
+
+1. Smart Detection in App Insights erkennt eine Performance-Anomalie (ML-basiert, keine Konfiguration nötig)
+2. Die migrierte Alert Rule feuert als Azure Monitor Alert
+3. Eine Action Group triggert eine Logic App UND benachrichtigt das Team
+4. Die Logic App erstellt ein GitHub Issue mit Diagnose-Daten (Severity, Resource, Description)
+5. Die Logic App weist das Issue an copilot-swe-agent zu
+6. Der Copilot Coding Agent startet eine VM, analysiert den Code und erstellt einen Draft-PR
+
+Parallel: Der Ops-Engineer nutzt Azure Copilot im Portal für die tiefe Diagnostik — dieses Wissen fließt in die PR-Review ein.
+
+Kein Azure DevOps nötig. Der einzige "Mensch im Loop" ist das finale PR-Review.
+-->
+
+---
+hideInToc: true
+---
+
+# Der automatisierte Pfad im Detail
+
+<v-clicks>
+
+- **Smart Detection → Alert**: ML erkennt Failure Anomalies, Performance Degradation, Memory Leaks — **automatisch**
+- **Action Group → Logic App**: Common Alert Schema → GitHub-Connector (No-Code, in Minuten aufgesetzt)
+- **Logic App → GitHub Issue**: Titel, Severity, Resource, Diagnose-Link — alles strukturiert
+- **Issue → Copilot Coding Agent**: Agent reagiert mit 👀, klont Repo, analysiert per RAG, erstellt Draft-PR
+- **Azure Copilot (parallel)**: Ops-Engineer fragt _"Why is my web app slow?"_ → automatische Diagnostik + Transaction Diagnostics
+
+</v-clicks>
+
+<v-click>
+
+> **Security**: Agent kann nur auf eigene Branches pushen. PR-Ersteller kann nicht self-approven. Actions erst nach menschlicher Freigabe.
+
+</v-click>
+
+<!--
+Die Details des automatisierten Flows:
+
+Smart Detection ist per Default aktiv und erkennt: Failure Anomalies, Performance Degradation, Memory Leaks, Trace Severity Degradation, Exception Volume Anomalien.
+
+Seit der Migration von Smart Detection zu Alerts werden diese als vollwertige Azure Monitor Alert Rules behandelt und können mit Action Groups verknüpft werden.
+
+Die Logic App empfängt den Alert über einen HTTP-Trigger und nutzt den nativen GitHub-Connector, um ein Issue zu erstellen und an copilot-swe-agent zuzuweisen.
+
+Azure Copilot im Portal ist rein interaktiv — keine API zum programmatischen Triggern. Deswegen läuft er als paralleler manueller Analyse-Kanal.
+
+Quellen:
+- https://learn.microsoft.com/en-us/azure/azure-monitor/alerts/alerts-smart-detections-migration
+- https://learn.microsoft.com/en-us/azure/azure-monitor/alerts/alerts-logic-apps
+- https://github.blog/news-insights/product-news/github-copilot-meet-the-new-coding-agent/
+-->
+
 ---
 layout: cover
 coverImage: /rca-diagnostics-large.png
diff --git a/special-slides/aiops-Mainteance-mit-KI/summary.md b/special-slides/aiops-Mainteance-mit-KI/summary.md
@@ -168,6 +168,59 @@ Die wichtigsten Zahlen zum Mitnehmen — perfekt für die Diskussion mit dem Man
 - 7x schnellere Security-Vulnerability-Remediation mit Code Scanning Autofix
 - 96% Merge Rate bei Peli's autonomen Dokumentations-Agenten
 
+Zusätzliche DORA-Zahlen:
+- 125% mehr Team-Adoption durch transparenten Umgang mit Job-Displacement-Ängsten
+- 131% mehr Adoption durch dedizierte Lernzeit während der Arbeit
+
+Quellen: GitHub Blog, DORA, Sonatype, Accenture
+
+🎨 Image prompt: Not needed — this slide uses styled HTML cards with statistics.
+-->
+
+---
+hideInToc: true
+---
+
+# Bonus: Weitere DORA-Zahlen
+
+<div class="grid grid-cols-2 gap-8 mt-12">
+
+<v-click>
+<div class="text-center p-6 bg-teal-900/30 rounded-lg">
+  <div class="text-5xl font-bold text-teal-400">125%</div>
+  <div class="mt-2">mehr Team-Adoption durch <strong>transparenten Umgang</strong> mit Job-Displacement-Ängsten</div>
+</div>
+</v-click>
+
+<v-click>
+<div class="text-center p-6 bg-indigo-900/30 rounded-lg">
+  <div class="text-5xl font-bold text-indigo-400">131%</div>
+  <div class="mt-2">mehr Adoption durch <strong>dedizierte Lernzeit</strong> während der Arbeit</div>
+</div>
+</v-click>
+
+</div>
+
+<v-click>
+
+<div class="mt-12 text-center text-lg">
+
+> _"AI-driven velocity will overwhelm any governance model built on 'we'll review it later.'"_ — **Brian Fox**, CTO Sonatype
+
+</div>
+
+</v-click>
+
+<!--
+Die wichtigsten Zahlen zum Mitnehmen — perfekt für die Diskussion mit dem Management oder dem Team:
+
+- 97% der Entwickler nutzen bereits KI-Tools (GitHub Survey)
+- 60M+ Copilot Code Reviews (März 2026)
+- 451% mehr KI-Adoption mit einer klaren Acceptable-Use-Policy (DORA)
+- 84% mehr erfolgreiche Builds bei Accenture mit Copilot
+- 7x schnellere Security-Vulnerability-Remediation mit Code Scanning Autofix
+- 96% Merge Rate bei Peli's autonomen Dokumentations-Agenten
+
 Quellen: GitHub Blog, DORA, Sonatype, Accenture
 
 🎨 Image prompt: Not needed — this slide uses styled HTML cards with statistics.
diff --git a/special-slides/aiops-Mainteance-mit-KI/technical-debt.md b/special-slides/aiops-Mainteance-mit-KI/technical-debt.md
@@ -130,6 +130,38 @@ MIT Guardrails: KI generiert schneller → kleine Batches erzwingen → automati
 Die Botschaft: KI löst das Technical-Debt-Problem nicht automatisch. Aber mit den richtigen Guardrails wird sie zum Hebel FÜR Qualität statt dagegen.
 -->
 
+---
+hideInToc: true
+---
+
+# KI-Automatisierung bezüglich Technical Debt
+
+| Einsatzstelle | Tool | Beispiel | Grad |
+|---|---|---|---|
+| **Security Vulns fixen** | Copilot Autofix (CodeQL) | SQL Injection → Parameterized Query, **2/3 auto-gefixt**, **7x schneller** | 🟢 |
+| **Dependency-Upgrades** | Agent Mode + OpenRewrite | Java 17→21, **1.177 Tests grün** nach Auto-Upgrade | 🟢 |
+| **Deprecated APIs** | Agent Mode + Test-Loop | `DateTime.Now` → `DateTimeOffset.UtcNow`, iteriert bis Tests grün | 🟢 |
+| **Neuen Debt verhindern** | Copilot Code Review | Fehlende Hook-Deps, Endlosschleifen, **60M+ Reviews** | 🟡 |
+| **Tech-Debt-Issues** | Coding Agent | Issue zuweisen → VM → Draft-PR mit Tests | 🟡 |
+| **Legacy-Code verstehen** | `@workspace` Chat | _"Welche Klassen haben >500 Zeilen?"_ | 🔴 |
+
+<v-click>
+
+> 🟢 KI arbeitet autonom, Mensch merged. 🟡 KI getriggert, Mensch entscheidet. 🔴 Mensch promptet, KI beschleunigt.
+
+</v-click>
+
+<!--
+Die zentrale Erkenntnis: Je regelbasierter die Debt-Art (Security-Fix, API-Replacement, Dependency-Upgrade), desto höher der Automatisierungsgrad. Je architektureller (God-Classes aufbrechen, Microservice-Schnitt), desto mehr bleibt beim Menschen.
+
+Was vor 2 Jahren rein manuell war (Dependency-Upgrades mit 1.000+ Dateien), ist heute vollautomatisiert mit Test-Validierung.
+
+Quellen:
+- https://github.blog/news-insights/product-news/found-means-fixed-introducing-code-scanning-autofix-powered-by-github-copilot-and-codeql/
+- https://github.blog/ai-and-ml/github-copilot/a-step-by-step-guide-to-modernizing-java-projects-with-github-copilot-agent-mode/
+- https://github.blog/ai-and-ml/github-copilot/60-million-copilot-code-reviews-and-counting/
+-->
+
 ---
 layout: cover
 coverImage: /technical-debt-large.png
