Prestatie-optimalisatie met GitHub Copilot

Softwareontwikkeling met GitHub Copilot

Thalia Barrera

AI Engineering Curriculum Manager, DataCamp

De stille vertraging

nanobanana: half: Een split-illustratie met links een snelle, responsieve app als een soepel gelanceerde raket en rechts een trage draaiende laadindicator, platte vectorstijl

Prestatieproblemen:

Zie je niet in unittests
Veroorzaken geen directe crashes

📈 Code lijkt goed, maar schaalt niet

Een bottleneck in het wild

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

Code werkt prima voor kleine inputs
1 miljoen items → 1 biljoen vergelijkingen
$O(n^2)$-algoritme!

❌ Legt productie plat op een drukke dag

[screencast]

Vertel Copilot waarop te optimaliseren

nanobanana: half: Een prestatiedashboard met snelheidsmeters en gauges die verschillende optimalisatie-indicatoren tonen, platte vectorillustratie op een schone achtergrond

Snelheid → snellere algoritmen, caching, batchen
Geheugen → resources opruimen, streaming, generators
Beide → volledige prestatierapportage

Effectieve performance-prompts

Gerichte optimalisatie

Optimaliseer #selection voor performance en verlaag de tijdcomplexiteit

Controleer #selection op geheugenlekken

Scan van hele codebase

@workspace zoek functies met geneste lussen over grote collecties

[screencast]

Borg performance in elke suggestie

.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

✅ Voorkomt performance-knelpunten in je code

Laten we oefenen!

Softwareontwikkeling met GitHub Copilot