Schulung · GitHub Copilot · Data Engineering

GitHub Copilot für Data Engineers

GitHub Copilot professionell nutzen: Completion, Chat, Agent Mode, Coding Agent für Issues und PRs, Code Review und Enterprise-Policies.

Dauer
2 Tage (14 Std.)
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

„GitHub Copilot für Data Engineers“ ist ein praxisorientiertes Training für Rollen wie Data Engineers und Analytics Engineers, BI-Entwickler:innen mit ETL- und Data-Warehouse-Verantwortung und Plattform-Teams für Data Lakehouse und Streaming. Sie lernen GitHub Copilot nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Data Engineering.

GitHub Copilot hat sich von der reinen Code-Vervollständigung zu einer umfassenden KI-Plattform entwickelt, die den gesamten Entwicklungsprozess begleitet. Im Editor unterstützen Sie Inline-Vorschläge, Next Edit Suggestions und Copilot Chat; im Agent Mode bearbeitet Copilot Aufgaben über mehrere Dateien hinweg und führt Befehle aus. Auf GitHub selbst übernimmt der Coding Agent zugewiesene Issues und liefert Pull Requests. In diesem zweitägigen Training lernen Sie, diese Bausteine gezielt einzusetzen und in Ihren bestehenden Entwicklungsprozess sauber zu integrieren.

Neben der Praxis im Editor geht es um Steuerung und Qualität: Mit Custom Instructions und Prompt-Dateien geben Sie Copilot Projektwissen mit, über MCP binden Sie zusätzliche Werkzeuge an, und mit Copilot Code Review ergänzen Sie den menschlichen Review-Prozess. Für Verantwortliche in Teams und Organisationen behandeln wir Richtlinien auf Organisations- und Enterprise-Ebene, Content Exclusions, Modellfreigaben und Auswertungen der Nutzung. So schaffen Sie die Grundlage für einen sicheren, nachvollziehbaren und wirksamen Einsatz von Copilot im gesamten Unternehmen.

Data Engineers bauen und betreiben die Pipelines, auf denen Reporting, Analytics und KI-Anwendungen aufsetzen: Ingestion aus Quellsystemen, Transformationen in dbt oder Spark, Orchestrierung mit Airflow oder Dagster, Datenqualität und Governance im Data Warehouse oder Lakehouse. Ein großer Teil der Arbeit besteht aus SQL, Python, YAML und viel Detailwissen über Schemas und Abhängigkeiten. KI-Coding-Assistenten und Agenten beschleunigen diese Arbeit deutlich: Sie schreiben dbt-Modelle samt Tests und Dokumentation, optimieren langsame Abfragen, erstellen Airflow-DAGs, migrieren Legacy-ETL-Strecken und erklären komplexe Lineage. Weil Daten oft sensibel sind, gehört der verantwortungsvolle Umgang mit Schemas, Beispieldaten und Zugangsdaten zum Kern dieses Kurses.

Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.

Für wen ist das Training?

  • Data Engineers und Analytics Engineers
  • BI-Entwickler:innen mit ETL- und Data-Warehouse-Verantwortung
  • Plattform-Teams für Data Lakehouse und Streaming
  • Entwickler:innen, die Legacy-ETL-Prozesse modernisieren

Typische Herausforderungen, die wir adressieren

  • Gewachsene ETL-Strecken in gespeicherten Prozeduren oder proprietären Tools ohne Tests
  • Langsame, teure Abfragen und ineffiziente Spark-Jobs
  • Fehlende Datenqualitätsprüfungen und unklare Verantwortlichkeiten für Datensätze
  • Lückenhafte Dokumentation von Datenmodellen, Lineage und Geschäftslogik

Das können Sie nach dem Training

  • Sie nutzen Completion, Chat und Agent Mode von Copilot zielgerichtet für Ihre täglichen Entwicklungsaufgaben.
  • Sie hinterlegen Projektwissen in Custom Instructions und Prompt-Dateien und verbessern damit die Ergebnisqualität.
  • Sie delegieren geeignete Issues an den Coding Agent und prüfen dessen Pull Requests sachgerecht.
  • Sie integrieren Copilot Code Review sinnvoll in Ihren bestehenden Review-Prozess.
  • Sie setzen KI-Agenten für dbt-Modelle, Pipelines und SQL-Optimierung produktiv ein.
  • Sie modernisieren Legacy-ETL-Strecken mit KI-Unterstützung und sichern die Ergebnisse durch Abgleichstests ab.
  • Sie schützen sensible Daten, indem Sie mit Schemas, synthetischen Beispielen und minimalen Zugriffsrechten arbeiten.

Inhalte & Ablauf

Tag 1

Modul 1 Copilot im Editor: Completion und Chat
  • Inline-Vorschläge und Next Edit Suggestions effizient annehmen, ablehnen und steuern
  • Copilot Chat für Erklärungen, Fehlersuche und Testgenerierung nutzen
  • Kontext gezielt über Dateien, Auswahl, Workspace und Chat-Variablen setzen
  • Modellauswahl und Unterschiede zwischen IDEs wie VS Code, Visual Studio und JetBrains
Modul 2 Agent Mode und Erweiterungen
  • Mehrstufige Aufgaben im Agent Mode planen und kontrolliert ausführen lassen
  • Terminalbefehle, Testläufe und Fehlerrückmeldungen in den Agenten-Loop einbinden
  • MCP-Server für zusätzliche Werkzeuge und Datenquellen anbinden
  • Änderungen prüfen, teilweise übernehmen oder zurücksetzen
Modul 3 Projektwissen mit Custom Instructions
  • Repository-weite Instructions für Architektur, Stil und Tests formulieren
  • Pfadspezifische Instructions und wiederverwendbare Prompt-Dateien anlegen
  • Persönliche und organisationsweite Vorgaben sinnvoll kombinieren
  • Instructions anhand der Ergebnisqualität laufend verbessern
Modul 4 Coding Agent und Code Review auf GitHub
  • Issues so formulieren, dass der Coding Agent sie zuverlässig umsetzen kann
  • Pull Requests des Agenten prüfen, kommentieren und iterieren lassen
  • Copilot Code Review als ergänzende Prüfinstanz im PR-Prozess einsetzen
  • Entwicklungsumgebung des Agenten über Setup-Schritte und Actions konfigurieren

Tag 2

Modul 5 Administration, Policies und Sicherheit
  • Lizenzzuweisung und Richtlinien auf Organisations- und Enterprise-Ebene
  • Content Exclusions, Modellfreigaben und Filter für öffentlichen Code
  • Audit-Logs und Nutzungsmetriken für Steuerung und Einführung auswerten
  • Sicherheitsrisiken, Secrets und Verantwortlichkeiten für KI-generierten Code klären
Modul 6 Praxislabor: Data Engineering
  • dbt-Modelle mit Tests
  • SQL-Abfragen optimieren
  • Airflow- und Dagster-Pipelines
  • Legacy-ETL migrieren
  • Datenqualität automatisieren
  • Spark-Jobs analysieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Data-Engineering-Prompts sollten Schemas und synthetische Beispieldaten statt echter personenbezogener Datensätze enthalten; Datenbank-Credentials und Connection Strings gehören nicht in den Kontext. Beachten Sie DSGVO-Grundsätze wie Zweckbindung und Datenminimierung, dokumentieren Sie Datenflüsse nachvollziehbar und prüfen Sie neue Python-Pakete und Konnektoren auf Lizenz und Supply-Chain-Risiken.
  • Spielregeln für den sicheren KI-Einsatz im Team
  • Ergebnisse prüfen: Fakten, Quellen, Tests und Vier-Augen-Prinzip
  • Persönlicher Umsetzungsplan für die nächsten 30 Tage
  • Offene Fragen, Ausblick und Ressourcen zum Weiterlernen

Praxisszenarien aus Ihrem Bereich

dbt-Modelle mit Tests

Der Agent schreibt Staging-, Intermediate- und Mart-Modelle in dbt, ergänzt Schema-Tests, Quellendefinitionen und Beschreibungen und führt dbt build iterativ aus, bis Modelle und Tests erfolgreich durchlaufen.

SQL-Abfragen optimieren

Die KI analysiert Ausführungspläne, erkennt teure Joins, fehlende Partitionierung oder Clustering und schreibt Abfragen um, die weniger Daten scannen und reproduzierbar schneller laufen. Kostenersparnisse werden messbar belegt.

Airflow- und Dagster-Pipelines

Aus Anforderungen entstehen DAGs oder Assets mit sauberer Abhängigkeitsstruktur, Retries, Sensoren, Alerting und Backfill-Fähigkeit, inklusive Tests für Transformationslogik. Bestehende Namens- und Ordnerkonventionen werden dabei konsequent übernommen.

Legacy-ETL migrieren

Gespeicherte Prozeduren oder grafische ETL-Jobs werden analysiert, die Geschäftslogik dokumentiert und schrittweise in dbt- oder PySpark-Code überführt, abgesichert durch Abgleichsabfragen zwischen alt und neu. Abweichungen werden dokumentiert.

Datenqualität automatisieren

Der Assistent definiert Prüfungen für Vollständigkeit, Eindeutigkeit, Wertebereiche und Aktualität, implementiert sie mit dbt-Tests oder Great Expectations und richtet Benachrichtigungen bei Verstößen ein. Verantwortliche werden direkt informiert.

Spark-Jobs analysieren

Spark-UI-Informationen und Logs werden ausgewertet, Skew, Shuffles und Speicherprobleme erkannt und Optimierungen wie Broadcast Joins, Repartitionierung oder Caching vorgeschlagen. Jede Optimierung wird durch Laufzeitvergleiche vor und nach der Änderung belegt.

Mögliche Praxisprojekte im Kurs

Datenqualitäts-Dashboard

Eine kleine Webanwendung, die Testergebnisse aus dbt oder Datenqualitäts-Checks einliest und Trends, Ausreißer und betroffene Tabellen übersichtlich darstellt. Verantwortliche Teams sehen so sofort, wo Handlungsbedarf besteht.

Ingestion-Pipeline für eine REST-API

Eine Python-Pipeline, die Daten inkrementell aus einer API lädt, Schemaänderungen erkennt und die Ergebnisse partitioniert im Lakehouse ablegt. Fehlerhafte Datensätze werden gesondert protokolliert.

Lineage-Explorer

Ein Tool, das das dbt-Manifest ausliest und Abhängigkeiten zwischen Quellen, Modellen und Dashboards als interaktiven Graphen darstellt. So werden Auswirkungen von Änderungen schnell sichtbar.

Voraussetzungen

Sie entwickeln regelmäßig Software, arbeiten mit Git und GitHub (Issues, Pull Requests) und nutzen eine moderne IDE. Sicherer Umgang mit SQL und Python sowie praktische Erfahrung mit einem Data Warehouse, dbt, Spark oder einem Orchestrierungswerkzeug.

Technische Voraussetzungen

Eigener Laptop mit VS Code oder einer JetBrains-IDE, installierter Copilot-Erweiterung und einem GitHub-Konto mit aktiver Copilot-Lizenz; für den Coding Agent wird ein passender Plan benötigt.

Datenschutz & Compliance

Data-Engineering-Prompts sollten Schemas und synthetische Beispieldaten statt echter personenbezogener Datensätze enthalten; Datenbank-Credentials und Connection Strings gehören nicht in den Kontext. Beachten Sie DSGVO-Grundsätze wie Zweckbindung und Datenminimierung, dokumentieren Sie Datenflüsse nachvollziehbar und prüfen Sie neue Python-Pakete und Konnektoren auf Lizenz und Supply-Chain-Risiken.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Mi, 25. November 2026 – Do, 26. November 2026 Online Anfragen
  • Mo, 7. Dezember 2026 – Di, 8. Dezember 2026 Salzburg Anfragen
  • Di, 15. Dezember 2026 – Mi, 16. Dezember 2026 Online Anfragen
  • Mi, 13. Januar 2027 – Do, 14. Januar 2027 Online Anfragen
  • Do, 28. Januar 2027 – Fr, 29. Januar 2027 Bremen Anfragen
  • Mo, 8. Februar 2027 – Di, 9. Februar 2027 Online Anfragen

Häufige Fragen

Was ist der Unterschied zwischen Agent Mode und Coding Agent?

Der Agent Mode läuft in Ihrer IDE: Sie arbeiten interaktiv mit Copilot, sehen jeden Schritt und geben Befehle frei. Der Coding Agent arbeitet dagegen eigenständig auf GitHub, sobald Sie ihm ein Issue zuweisen, nutzt eine eigene Ausführungsumgebung und legt einen Pull Request an, den Sie anschließend wie den Beitrag eines Teammitglieds prüfen.

Wie stellen wir sicher, dass Copilot unsere Unternehmensrichtlinien einhält?

Auf Organisations- und Enterprise-Ebene lassen sich Funktionen, Modelle und Erweiterungen gezielt freigeben oder sperren. Content Exclusions halten sensible Dateien aus dem Kontext heraus, und Audit-Logs machen die Nutzung nachvollziehbar. Im Kurs zeigen wir, wie Sie diese Hebel mit Datenschutz, Informationssicherheit und internen Coding-Standards zusammenbringen.

Lohnt sich der Kurs, wenn wir Copilot schon länger nutzen?

Ja, gerade dann. Viele Teams nutzen nur die Vervollständigung und lassen Chat, Agent Mode, Custom Instructions und den Coding Agent weitgehend ungenutzt. Der Kurs zeigt, wie Sie diese Funktionen strukturiert einsetzen, Ergebnisse durch Projektwissen verbessern und typische Fehlerquellen vermeiden. Erfahrene Nutzer profitieren besonders von den Abschnitten zu Review und Governance.

Muss die KI Zugriff auf unsere Produktionsdaten haben?

Nein, und das ist meist auch nicht sinnvoll. Für die allermeisten Aufgaben reichen Schemas, Metadaten, Ausführungspläne und synthetische Beispieldaten. Im Kurs lernen Sie, wie Sie dem Agenten genau diesen Kontext bereitstellen, Lesezugriffe auf Entwicklungsumgebungen begrenzen und dennoch belastbare Ergebnisse erhalten.

Funktioniert das mit unserem Data Warehouse?

Die Arbeitsweisen sind plattformunabhängig und funktionieren mit Snowflake, BigQuery, Databricks, Redshift, Synapse oder PostgreSQL gleichermaßen. Wichtig ist, dem Assistenten den SQL-Dialekt und plattformspezifische Besonderheiten wie Partitionierung oder Clustering mitzuteilen. Wir zeigen, wie Sie das in Anweisungsdateien festhalten. So passt der generierte Code zuverlässig zur Plattform.

Was kostet die Schulung „GitHub Copilot für Data Engineers“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 2 Trainingstag(e) mit Live-Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Unsere Terminvorschläge sind eine Orientierung. Im Anfrageformular können Sie jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und bestätigen innerhalb eines Werktags.

Findet der Kurs online oder vor Ort statt?

Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart oder Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Weitere Kurse für Data Engineers

Weitere Kurse zu GitHub Copilot

Alle 32 Kurse zu GitHub Copilot

GitHub Copilot · MünchenGitHub Copilot · SalzburgGitHub Copilot · BerlinGitHub Copilot · AugsburgGitHub Copilot · HannoverGitHub Copilot · BremenGitHub Copilot · StuttgartGitHub Copilot · KaiserslauternGitHub Copilot · Online