Künstliche Intelligenz im Software-Engineering

– Qualitätssteigerung durch den Einsatz Künstlicher Intelligenz (KI) in der Softwareentwicklung

KI im Software-Engineering ist kein Selbstläufer – im Gegenteil. Das Fraunhofer IESE greift auf die jahrzehntelange Erfahrung im Bereich der Software-Qualität zurück und stellt Best-Practices aus unterschiedlichen Anwendungsfällen von KI & Qualität dar.  

KI-Technologien im Software-Engineering sind bereits weitverbreitet, da Entwickelnde und Unternehmen auf das Innovationspotenzial sowie die Produktivitätssteigerungen hoffen. Code-Assistenten wie GitHubs CoPilot, Amazons CodeWhisperer oder Tabnine versprechen eine deutliche Steigerung der Entwicklungseffizienz. Darüber hinaus bieten neuere LLM-basierte Multi-Agenten-Entwicklungsplattformen wie Devin, GPT-Pilot oder CrewAI an, einen Großteil des Softwareentwicklungszyklus zu automatisieren. Neben der erwarteten Effizienzsteigerung durch LLM-basiertes SE ist eine wichtige Motivation für den Einsatz von LLMs der Mangel an qualifiziertem Personal in den Bereichen Engineering und Assurance, der kompensiert werden muss, wenn Deutschland und Europa weiterhin führend auf dem Markt für hochwertige Softwareprodukte sein wollen. Es ist bereits absehbar, dass neue Akteure, die sich stark auf KI-Technologien stützen, die Software-Engineering-Landschaft in wirtschaftlicher, sozialer und ökologischer Hinsicht verändern werden. Aus wirtschaftlicher Perspektive ergibt sich die schnellere Bereitstellung von anpassungsfähigerer und billigerer Software – dies ist eines der Hauptversprechen von KI-Lösungen. Allerdings zeigt sich aus sozialer Hinsicht, dass qualitativ minderwertige Lösungen auf lange Sicht nicht nur kostspielig sind, sondern auch riskant. Dies gilt insbesondere in Bereichen, in denen Softwarefehler das Leben von Menschen und Umwelt bedrohen könnten.

Künstliche Intelligenz und Qualität – eine Herausforderung

Heutzutage stellen die genannten KI-Technologien erhebliche Herausforderungen hinsichtlich der Software-Qualität dar:

  • Risiko von Halluzinationen und die Qualität der Ergebnisse
  • bedingungslose Abhängigkeit (insbesondere junger) Software-Ingenieure von diesen Technologien, was ihre eigene Weiterbildung behindert
  • hohes Maß an Infrastruktur- und Energiekosten
  • Unklares Konzept von Informationssicherheit und Datenhoheit

Im Zusammenhang mit diesen technischen Herausforderungen stellt sich zunehmend die Frage nach der qualitativen Evaluierung der Menge von Software-Artefakten, die potenziell innerhalb weniger Minuten erzeugt werden können. Ihr Einsatz in unternehmenskritischen Anwendungen, bei denen Sicherheit, Zuverlässigkeit und Schutz gewährleistet werden müssen, ist kompliziert. Gerade dann, wenn traditionelle Qualitätssysteme für Werkzeuge und Methoden, die sich für codebasierte Software bewährt haben, nicht mehr funktionieren.

Entwicklung innovativer Methoden

Die Erforschung von Software-Engineering-Methoden und -Werkzeugen, die die Entwicklung und den Betrieb softwarebasierter Lösungen mit vordefinierten und zertifizierbaren Eigenschaften unterstützen, ist seit vielen Jahren ein zentraler Schwerpunkt des Fraunhofer IESE.

 

Unser Ziel ist es, mit Hilfe von KI das Software-Engineering radikal zu überdenken, um die Zusammenarbeit zwischen Mensch und KI zu fördern und dabei systematisch die Risiken zu minimieren und die Vorteile zu nutzen.

Hierfür bietet das IESE neuartige Software-Engineering Methoden an, die es Domänenexperten ermöglichen:

  • qualitativ hochwertige Softwarelösungen durch die Zusammenarbeit mit intelligenten Werkzeugen über alle Phasen des Software-Lebenszyklus hinweg effizienter zu entwickeln.
  • eine systematische und strukturierte Argumentation zu liefern, dass relevante Qualitäten sichergestellt sind. 

Eclipse BaSyx

Teilmodellgenerierung für digitale Zwillinge durch Legacy Dokumente mit Hilfe von KI & Template Engines.

FERAL

Ableitung und Erstellung von Testszenarien gemäß ASAM OpenTestSpecification.

Quasar

Automatisierte, KI-basierte Bewertung von (Open-Source) Software mit vorgegebenen Qualitätskriterien für den Marktplatz DEUTSCHLAND.DIGITAL.

SafeTBox

Situationsraumexploration bei Safety-Security Risiko Analysen, wie TARA/HARA und nach ISO26262.

Kontakt

Andreas Jedlitschka

Contact Press / Media

Dr. Andreas Jedlitschka

Department Head Data Science

Telefon +49 631 6800-2260

Nils Brand

Contact Press / Media

Nils Brand

Business Area Manager "Digital Ecosystem Engineering", Dept. Digital Innovation & Smart City

Telefon +49 631 6800-2220

  • E-Mail senden