Sprache:
English

Zielgruppe:
Systems Engineer, AI Product Manager, Requirements Engineer, Business Analyst, Machine Learning Engineer, Generative AI Researcher, Business Development Manager

Voraussetzungen:
Knowledge of Model Based Systems Engineering (MBSE) processes, V model and interest in Artificial Intelligence

Überblick und Zusammenfassungen:
The session is mainly focused on analysing various processes of the V model and providing AI co-pilots that help boost efficiency in terms of time and complexity. The co-pilots encompass the following use cases:
- Finding contradicting and entailing requirements
- Generating Requirements from Activity Diagrams and vice versa
- Building and Querying Knowledge graphs for both unstructured and structured data e.g PDFs, Graphs (Agentic RAG)

MBSE provides a structured framework for developing complex systems through models, facilitating better communication, requirement management, and traceability. However, it increases the complexity and needs advanced techniques to help stakeholders throughout the V model, from requirements to maintenance. This rise in complexity can be reduced by using AI-based technologies that can optimize and improve the MBSE process. Three such use cases are requirements elicitation, designing architectural diagrams and using knowledge graphs for modelling and analysis.

Requirements Elicitation:

In the field of software development, one of the main challenges is to identify and manage contradicting and entailing requirements. Finding these contradicting and entailing requirements is crucial for ensuring the quality and effectiveness of modelling and analysing the system.

System Architectural Design:

Activity diagrams allow us to visually represent the flow of activities within a system. By analyzing the diagram, we can extract the functionalities of the system. In this way, activity diagrams serve as a bridge between requirements and system design, helping to ensure consistency. Technically, requirements to plantUML code and image to requirements alongside prompt engineering are utilized to show the capabilities of AI.

System modelling and analysis:

The process of building a Traceability Knowledge Graph (KG) involves Natural Language Processing (NLP) techniques and entity-relationship extraction. KGs provide powerful querying capabilities that allow users to explore and analyze insights and relationships between different entities and concepts. This knowledge graph can then be used for various purposes, such as improving search results, enhancing recommendation systems, or enabling advanced data analytics. For example, an agent-based Retrieval Augmented Generation (RAG) approach can understand the user's context and retrieve relevant information from both structured and unstructured data, such as PDFs and graphs. Breaking down the query into relevant chunks reduces the hallucination problem and finds the most suitable answers better than traditional RAG.


By leveraging the capabilities of AI to enhance MBSE processes, industries can achieve a higher level of automation, and reduce complexity in processes.



Art der Vermittlung:
Presentation including live demos and videos

Nutzen:
- Ability to use AI capabilities across the V model for industrial use cases
- Best practices for deploying AI copilots cloud vs on-prem
- Use the findings for different domains and achieve better generalization
- Know-how to derive insights from Structured and Unstructured data formats

Sprache:
Deutsch

Zielgruppe:
Software-Entwickler, Software-Architekten, Projekt-Manager, Qualitätssicherung

Voraussetzungen:
Basiswissen Software-Entwicklung

Überblick und Zusammenfassungen:
Die Erfassung von komplexer Software ist für Menschen eine Herausforderung, da wir Software nicht mit unseren Sinnen erfassen können. Oftmals ist nur ein bestimmter Aspekt der Software für Beteiligte des Softwareentwicklungsprozesses von Interesse, abhängig von der Rolle im Projekt. Die Evolution der Software und Variantenvielfalt erhöht die Komplexität zusätzlich. Relevant ist dabei auch der Vergleich verschiedener Entwicklungsstufen der Software zur Analyse des Fortschritts.

Wir zeigen ein Instrument, um Eigenschaften von komplexen Softwaresystemen für den Menschen erfassbar zu machen. Unsere Methodik basiert auf dem Konzept der SW-Cities („Software-Cities“) und gliedert sich im Wesentlichen in zwei Hauptaspekte: Erhebung von Kenngrößen aus verschiedenen Datenquellen und Visualisierung der Daten. Das Konzept und die Methodik wurde im Rahmen eines großen Automotive-Softwareprojekt innerhalb des Stellantis-Konzerns entwickelt und eingeführt.

Das SW-Cities Konzept ermöglicht eine für den Menschen intuitiv erfassbare Darstellung von Kenngrößen bzw. Metriken durch die Bildung von Analogien zu den allgemein bekannten Konzepten, die in der Darstellung eines Stadtplans verwendet werden. Kompositionen werden als Stadtviertel, Komponenten als Gebäude und Schnittstellen als Verbindungen zwischen den Gebäuden dargestellt.
Das SW-Cities Konzept ermöglicht eine für den Menschen intuitiv erfassbare Darstellung von Kenngrößen bzw. Metriken durch die Bildung von Analogien zu den allgemein bekannten Konzepten, die in der Darstellung eines Stadtplans verwendet werden. Kompositionen werden als Stadtviertel, Komponenten als Gebäude und Schnittstellen als Verbindungen zwischen den Gebäuden dargestellt.

Art der Vermittlung:
Erklärung der Methoden und Bericht über Projekterfahrungen

Nutzen:
In einem Praxisteil zeigen wir die 3D Repräsentation der Softwareeigenschaften als Stadt-Ansicht und geben eine Einführung in die Abbildung von Kenngrößen des Systems. Die 3D-Ansicht bietet viele Möglichkeiten zur Darstellung der verschiedenen Aspekte der Software.

Die SW-City zeigt, dass wichtige Kenngrößen von Software mit diesem Verfahren für den Anwender schnell erfassbar sind und dem Menschen einen Einblick in die Zusammenhänge intuitiv ermöglicht. Der Ansatz, die Erhebung der Daten und die Visualisierung zu trennen, ermöglicht zukünftig zusätzlich die Auswertung der erhobenen Kenngrößen mit KI-basierten Verfahren.

Die Erhebung von Metriken in einem Softwareprojekt birgt das Risiko, soziale Spannungen innerhalb eines Projekts aufzubauen. Im Rahmen unserer Untersuchungen beleuchten wir die sozialen Aspekte im Hinblick auf Korrelation und Kausalität der Metriken.

Obwohl es bereits Produkte auf dem Markt gibt, war es für uns ein Ziel das SW-City Konzept in der vorhandenen Entwicklungslandschaft zu entwickeln, um eine schnelle Umsetzung und Anforderungserhebung in einer echten Projektlandschaft zu ermöglichen. Hierdurch konnten wir auch gezielt auf die Anforderungen des Zielprojekts eingehen.

Sprache:
deutsch

Zielgruppe:
Alle, die an der Analyse, dem Design und der Architektur von Softwaresystemen mitwirken

Voraussetzungen:
Vorkenntnisse in Modellierungssprachen (UML, SysML) sind von Vorteil, aber nicht zwingend erforderlich

Überblick und Zusammenfassungen:
Die Softwaremodellierungssprache UML hat ihre historischen Wurzeln in den 1990er Jahren und erfüllt heutzutage kaum noch die Anforderungen an eine moderne Modellierungssprache, die für die Herausforderungen in der Softwareentwicklung der Gegenwart und der Zukunft geeignet ist. Die letzte Version, die UML 2.5.1, wurde von der Object Management Group (OMG) im Dezember 2017 veröffentlicht, was nun auch schon sieben Jahre her ist. Seitdem wurden bei der OMG alle Ressourcen gebündelt, um fokussiert an der neuen Systems Modeling Language v2 (SysML v2) zu arbeiten, die kurz vor der Veröffentlichung steht.

In diesem Vortrag beleuchte ich, wie die SysML v2 die neue Modellierungssprache auch für Softwaresysteme, quasi eine Art "UML 3.0", werden kann. Dabei zeige ich vor allem auf, wie die neuen Features der SysML v2 (u. a.: präzise Semantik, textuelle Notation, SysML v2 API & Services) auch in der Softwareentwicklung gewinnbringend genutzt werden können. Insbesondere durch die standardisierte Schnittstelle (API), die die SysML v2 definiert, bieten sich viele Möglichkeiten, andere Entwicklungswerkzeuge mit dem Repository zu koppeln und Modelldaten auszulesen, zu verarbeiten und zu modifizieren. Da liegt es fast schon auf der Hand, dass auch KI-Applikationen, beispielsweise Large Language Models (LLM) wie ein GPT, auf das Model-Repository zugreifen können um Entwickler:innen bei Analyse, Design und Architektur von Softwaresystemen zu unterstützen.

Art der Vermittlung:
Vortrag mit kurzen, praktischen Demos

Nutzen:
- Teilnehmende bekommen einen kurzen Einblick in die neue SysML v2 (Unterschiede zur SysML 1.x).
- Teilnehmende erfahren, die die allgemeine SysML v2 so angepasst werden kann, dass daraus eine spezifische Softwaremodellierungssprache wird?
- Eine Demo, wie die SysML v2 API & Services genutzt werden können, um auf die Modelldaten zugreifen zu können.
- Einen Zukunftsausblick, wie das modellbasierte Software Engineering der Zukunft aussehen könnte.

Sprache:
Deutsch

Zielgruppe:
Software-Architekten sowie Führungskräfte und Manager der Software-Entwicklung.

Voraussetzungen:
Mindestens Grundkenntnisse von Software-Architektur und Design.

Überblick und Zusammenfassungen:
Innerhalb von Software-Architekturarbeit gibt es kaum eine «Definition of Done». Wie kann man jedoch sicherstellen, dass die Architektur-Definitionen vollständig sind, bevor sie als "fertig" resp. «genügend gut» betrachtet werden können? Selbst wenn die Architektur evolutionär (agil) erstellt wird, ist es sinnvoll zu wissen wie vollständig die Architektur-Definitionen sind. In meinem Vortrag beleuchte ich, wie die systematische Anwendung von «Early Design Decisions» und die gezielte Adressierung von Architektur-Treibern eine klare und nachvollziehbare «Definition of Done» für die Architekturarbeit ermöglicht. Eine praxisnahe Methode, die die Qualität und Vollständigkeit der Architektur verbessert, und mehr Systematik und Struktur in den Architekturprozess bringt.

Art der Vermittlung:
Methodenerklärung und Aufzeigen von konkreten Beispielen

Nutzen:
Die Teilnehmer erfahren, wie Sie durch eine strukturierte Vorgehensweise typische Stolpersteine in der Architekturarbeit vermeiden können. Sie erhalten praktische Werkzeuge und Techniken, die Ihnen helfen, Ihre Architekturarbeit effizienter und erfolgreicher zu gestalten.