Seminar Adaptive Systeme im SoSe 2025

Organisatorisches

• Die Anmeldung zum Seminar ist geschlossen!
• Weitere Infos auch im LSF
• Das Seminar wird gemeinsam betreut mit Prof. Dr. Andreas Vogelsang (zum SoSe an der UDE)

Thema: "Generative KI im Software Engineering"

Das Seminar beschäftigt sich mit dem Einsatz generativer KI entlang des Software-Lebenszyklus. Generative KI gewinnt zunehmend an Bedeutung, vor allem durch immer leistungsfähigere Large Language Models (LLMs) wie z.B. ChatGPT, Gemini, Claude, etc. 

Der mögliche Einsatz generativer KI im SE ist im Folgenden an einer erweiterten Variante des DevOps-Modells illustriert.

Basierend auf Ihrem Interesse und eventuellem Vorwissen (aus andere Vorlesungen etc.) wählen Sie einen konkreten Anwendungsbereich als Thema für Ihr Seminar.

Anwendungsbereiche für generative KI im DevOpsAdapt-Software-Lebenszyklus [Bildquelle]

Aufbau der Seminararbeit

Ihre Seminararbeit umfasst die folgenden wesentlichen Teile:

• T1: Grundlagen und Vorgehensweise
• T2: State of the Art
• T3: Praktisches Beispiel
• T4: Kritische Diskussion

Ablauf des Seminars

Das Seminar ist entlang der folgenden Meilensteine / Termine strukturiert:

• Einführungsveranstaltung
• Themenwunsch 
• Workshop „Wissenschaftliches Arbeiten“ (Teil 1: Recherche & Schreiben)
• Teil T1 der Arbeit an Betreuer für Feedback
• Teile T2 und T3 an Betreuer für Feedback
• Workshop „Wissenschaftliches Arbeiten“ (Teil 2: Präsentieren)
• Präsentation zu den Teilen T1 – T3
• Abschlusspräsentation (mit Fokus auf Teil T4)
• Finale Abgabe der Arbeit

Fragen

Gerne an Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein..

Studium

Angebotene Lehrveranstaltungen:

• Siehe Untermenüs

Über

Andreas ist außerplanmäßiger Professor in der Abteilung für Software Engineering der Fakultät für Informatik der Universität Duisburg-Essen und Vorstandsmitglied von paluno, dem Ruhr Institute for Software Technology.  In seiner Forschung beschäftigt sich Andreas mit der Entwicklung adaptiver Systeme. Sein aktueller Fokus liegt auf dem Einsatz Künstlicher Intelligenz (KI) für adaptive Software und adaptive Geschäftsprozesse (siehe auch unter Veröffentlichungen).  Andreas ist aktiv in europäischen Informatik-Gremien. Insbesondere war er stellvertretender Vorsitzender des Steuerkreises der Europäischen Technologie Plattform NESSI (The Networked European Software and Services Initiative), stellvertretender Generalsekretär der BDVA (Big Data Value Association), sowie External Advisor im Architecture Committee von AI4Europe (der EU AI On-Demand Platform). Andreas hat über 10 EU-geförderte Forschungsprojekte für die UDE eingeworben. Neben der Mitbeantragung der Projekte war er mehrfach Koordinator der Projektanträge und hatte wesentliche Leitungsrollen in den Projekten inne. Hervorzuheben sind seine Rollen als technischer Architekt von FIspace (Future Internet Collaboration in Agri-Food and Transport) und RestAssured (Secure Data Processing in the Cloud), sowie technischer Koordinator von FInest (Future Internet enabled Optimisation of Transport Networks) und TransformingTransport (Big Data Value in Mobility and Logistics; Projekt-Video).

beim Fachgebiet Adaptive Systeme

(Follow this link for an English version of this page)

Was ist ein adaptives System?

Ein adaptives System ist in der Lage, seine Struktur und sein Verhalten während des Betriebs selbstständig anzupassen. Dadurch kann es auf Veränderungen in seiner Betriebsumgebung, in seinen Qualitätseigenschaften und in seinen Anforderungen reagieren. Ein anschauliches Beispiel ist ein Online-Shop: Bei hoher Auslastung kann er die ressourcenintensive Generierung personalisierter Produktempfehlungen deaktivieren, um die geforderte Antwortzeit zu erreichen.

Erweiterung des Software-Lebenszyklus um eine Adaptions-Phase zur Laufzeit [Bildquelle]

Was sind software-technische Herausforderungen bei adaptiven Systemen?

Softwareentwickelnde stehen bei der Realisierung adaptiver Systeme vor der Herausforderung, festzulegen, wann und wie sich das System selbstständig anpassen soll. Dies wird durch die sogenannte Designzeitunsicherheit erschwert. Konkret bedeutet das: (1) Es ist schwierig, bereits während der Entwicklung alle potenziellen Situationen vorherzusehen, in denen sich das System zur Laufzeit anpassen muss; (2) Die genauen Auswirkungen von Anpassungen sind oft unklar. Dadurch ist es schwierig, die richtigen Anpassungsmaßnahmen zu bestimmen. Im Beispiel des Online-Shops wissen die Softwareentwickelnden zwar, dass das Deaktivieren der Empfehlungen die Systemlast reduziert. Es ist jedoch unklar, ob diese Maßnahme in allen denkbaren Auslastungssituationen ausreicht, um die geforderte Antwortzeit zu erreichen.

Wie kann Künstliche Intelligenz (KI) hier helfen?

Der Einsatz von künstlicher Intelligenz (KI) wird zunehmend genutzt, um die Herausforderungen der Designzeitunsicherheit bei der Realisierung adaptiver Systeme zu bewältigen. Ein besonderer Ansatz ist hierbei das sogenannte Online Learning. Online Learning ermöglicht es adaptiven Systemen, während des Betriebs aus ihren tatsächlichen Betriebsdaten zu lernen. Dadurch können Informationen berücksichtigt werden, die erst zur Laufzeit verfügbar sind. Für Softwareentwickelnde bedeutet der Einsatz von KI eine erhebliche Erleichterung: Anstatt die Adaptionslogik manuell zu entwickeln, können sie diese deklarativ beschreiben. Das heißt, sie definieren, was das System erreichen soll (z.B. bestimmte Lernziele), anstatt detailliert vorzugeben, wie es das erreichen soll. Ein Beispiel hierfür ist der Einsatz von Online-Reinforcement-Learning für den Online-Shop. Die Softwareentwickelnden definieren Lernziele in Form einer Belohnungsfunktion: Das System erhält eine positive Belohnung, wenn es die geforderte Antwortzeit einhält. Bei Nichterfüllung der Antwortzeit erhält das System eine negative Belohnung (Strafe). 

Wo bekomme ich weiterführende Informationen?

Folgende Veröffentlichungen bieten eine gute Einführung in das Thema "Adaptive Systeme" und den Einsatz von KI für deren Realisierung:

• Danny Weyns: An Introduction to Self-Adaptive Systems: A Contemporary Software Engineering Perspective, John Wiley & Sons, 2020 [Link]
• Andreas Metzger, Clément Quinton, Zoltán Ádám Mann, Luciano Baresi, Klaus Pohl: Realizing self-adaptive systems via online reinforcement learning and feature-model-guided exploration. Computing 106(4): 1251-1272, Springer, 2024 [Link]
• Alexander Palm, Andreas Metzger, Klaus Pohl: Online Reinforcement Learning for Self-adaptive Information Systems. 32nd International Conference on Advanced Information Systems Engineering (CAiSE 2020): 169-184, Springer, 2020 [Link]