Optimización de rendimiento con GitHub Copilot

Desarrollo de software con GitHub Copilot

Thalia Barrera

AI Engineering Curriculum Manager, DataCamp

La desaceleración silenciosa

nanobanana: half: Una ilustración dividida que contrasta una app rápida y responsiva como un cohete despegando y, al otro lado, un indicador de carga girando, estilo vectorial plano

Problemas de rendimiento:

No aparecen en tests unitarios
No causan fallos inmediatos

📈 El código parece correcto, pero no escala

Un cuello de botella en la práctica

def find_common(list1, list2):
    common = []
    for item in list1:
        for item2 in list2:
            if item == item2:
                common.append(item)
    return common

Funciona bien con entradas pequeñas
1 millón de elementos → 1 billón de comparaciones
¡Algoritmo $O(n^2)$!

❌ Tira producción en un día con mucha carga

[screencast]

Dile a Copilot qué optimizar

nanobanana: half: Un panel de rendimiento con velocímetros y medidores mostrando indicadores de optimización, ilustración vectorial sobre fondo limpio

Velocidad → algoritmos más rápidos, caché, batching
Memoria → liberar recursos, streaming, generadores
Ambos → revisión completa de rendimiento

Prompts de rendimiento que funcionan

Optimización focalizada

Optimiza #selection para rendimiento y reduce la complejidad temporal

Revisa #selection por fugas de memoria

Escaneo de todo el código

@workspace encuentra funciones con bucles anidados sobre colecciones grandes

[screencast]

Integra rendimiento en cada sugerencia

.github/copilot-instructions.md

## Performance standards
- Prefer set or dict lookups over nested loops
- Use context managers for files, connections, and sockets
- Avoid loading entire datasets into memory, use generators or streaming

✅ Evita cuellos de botella al escribir código

¡Vamos a practicar!

Desarrollo de software con GitHub Copilot