10 Herausforderungen für KI im MBSE und die dafür erforderlichen 8 Fähigkeiten
KI hat das Potential, MBSE in den Mainstream zu bringen. Das „Vision Paper“ zu den Herausforderungen für KI im MBSE schafft Klarheit.
Product Velocity ist ein neuer Ansatz, mit dem Unternehmen schneller lernen, Entscheidungen treffen und Ergebnisse liefern können.
Agilität Anforderungen Angriffssicherheit Architektur Automotive Barcamp Digitale Transformation Eclipse GfSE Hardware Innovation Integration Kommunikation Komplexität Konferenzen Künstliche Intelligenz MBSE Modellierung Nachverfolgbarkeit Offenheit PLM Produktentwicklung Prozesse Qualität ReConf Schnittstelle Semiant Sicherheit Software SpaceX Standards SysML SysML v2 Systemdenken Systems Engineering TdSE Tim Weilkiens Traceability Transformation Trends UML Video Weihnachten Weiterbildung Werkzeuge
Künstliche Intelligenz ist ein hochaktuelles aber auch sehr gehyptes Thema im Systems Engineering. Hier geht es auf den Boden der Tatsachen zurück.

KI hat das Potential, MBSE in den Mainstream zu bringen. Das „Vision Paper“ zu den Herausforderungen für KI im MBSE schafft Klarheit.

Inzwischen hat sich herumgesprochen, dass die Trainingsdaten für KI-Modelle eine zentrale Rolle spielen. Doch wie bekommen wir gute KI-Daten? Und: Da im Moment alle Welt von „Artificial General Intelligence“ spricht, zu deutsch „Künstliche allgemeine Intelligenz“, stellt sich die Frage, ob wir überhaupt noch Trainingsdaten brauchen. Die kurze Antwort ist: Selbstverständlich! Weiterlesen, um die lange Antwort…

Mit KI können wir MBSE-Modelle aus Text erstellen und Anforderungen und Systemmodell abgleichen. Aber es gibt noch Probleme.

Mit der Reward Function definiert ein KI-System Erfolge und Misserfolge und ist ein wichtiges Element in der Entwicklung von KI-Systemen.

Letzte Woche berichtete ich on RE4AI, Requirements Engineering for Artificial Intelligence. Dabei ging es unter anderem um Einschränkungen und Herausforderungen von RE4AI. Gut und schön, aber wie gehen wir das Ganze in der Praxis an? Ein möglicher Ansatz ist Google PAIR, der im Folgenden vorgestellt wird.

RE4AI ist die Entwicklung von Produkten, die KI-basierte Elemente enthalten, sowie die Herausforderungen bezüglich Anforderungsmanagement.

spaCy ist eine verbreitete Bibliothek für Natural Language Processing (NLP). Hier eine Kurzanleitung zum Loslegen.

Modellierung mit SysML macht Policy-Texte besser zugänglich und hilft, Probleme zu finden und die Qualität zu erhöhen.

Wer auch „zwischen den Jahren“ nicht genug vom Systems Engineering bekommen kann, kann sich freuen: Das Archiv des Magazins Softwaretechnik-Trends wurde zwischenzeitlich aktualisiert. Nicht nur die letzte Ausgabe steht zum Download bereit, auch die Ausgaben der letzten Jahre, die bis vor kurzem fehlten. Danke an Andrea Herrmann für diese ehrenamtliche Tätigkeit. Hier der Link und…

Auch wenn ich bereits vor ein paar Wochen einen Beitrag zum Bildgenerator DALL-E von OpenAI veröffentlicht hatte, muss ich noch mal nachlegen: Nachdem die Presse von ChatGPT dominiert wurde, veröffentlicht die Firma nun einen 3D-Modellgenerator, für den es sicher viele Anwendungen in der Produktentwicklung gibt. Um aber die Feiertagsstimmung nicht zu verderben, gibt es heute…

Generatives Design ist eine KI-basierter iterativer Entwurfsprozess. Auch wenn es kreativ erscheint, unterstützt es lediglich Kreativität.

Inzwischen gibt es mehr und mehr Werkzeuge für die Anforderungsprüfung — neulich erwähnte ich die Open Source-Bibliothek Vale. Als Nebenprodukt eines Kundenprojekts habe ich einen einfachen Vale-basierten Qualitätscheck entwickelt. Diesen können Sie jetzt über eine Webbrowsererweiterung überall mit einem Klick aktivieren. Das funktioniert in Confluence, Jama oder Polarion. Welche Regeln Prüfregeln unterstützt werden und wie…
Diese Website verwendet leider Cookies! Die Webseite funktioniert auch ohne, aber dann kannst Du keine Videos schauen oder Kommentare hinterlassen. Du kannst selbst entscheiden, was du zulässt. Datenschutz geht vor – versprochen!