Anforderungsschablonen – der MASTeR-Plan für gute Anforderungen

Und weiter geht die Reise durch unser Requirements-Engineering und – Management Buch. Nach der modellbasiserten Dokumentation kommen wir nun zur natürlichsprachlichen Dokumentation mithilfe unserer Anforderungsschablonen.

Der Erfahrung nach können natürlichsprachliche Anforderungen in der „freien Wildbahn“ zunächst einmal jede Form und Farbe annehmen. Dass das nicht immer optimal ist, bemerkt man schnell, wenn man einige von ihnen im Rudel betrachtet. Beschreiben sie vielleicht alle das gleiche? Oder geht es überhaupt um dasselbe System? In den wenigsten Projekten findet sich die Zeit, jede Anforderung separat auf Eindeutigkeit und Konsistenz zu überprüfen.

Doch keine Sorge! Es gibt einen Plan, einen MASTeR-Plan!

Weiterlesen

Teil 2: Machine Learning und Requirements-Engineering – Doch wer lernt von wem?

Machine Learning und künstliche Intelligenz gelten als zwei der Zukunftsthemen schlechthin. Intelligente Algorithmen beeinflussen unseren Alltag mit wachsender Geschwindigkeit in einem immer größeren Ausmaß. Doch treffen sie auch bereits auf Requirements-Engineering? Ich dürfte das Thema mit meinem Kurzvortrag mit obigem Titel auf unserer hauseigenen Konferenz, den SOPHIST DAYS 2017 selbst beleuchten. Erfahren Sie selbst, was ein Roboter, der Pancakes wenden kann, mit unserer Disziplin zu tun hat!

Weiterlesen

Teil 1: Was ist, kann und macht Machine Learning? Und was macht es für den REler so interessant?

Mit AutoML hat Google jüngst einen Ansatz vorgestellt, der die Entwicklung von Anwendungen maschinellen Lernens vereinfachen und optimieren soll, und zwar mithilfe von – maschinellem Lernen.

Hierbei erstellt ein erster Machine-Learning-Algorithmus einen Vorschlag zu Architektur und Konfiguration des zu entwickelnden zweiten Machine-Learning-Algorithmus und erprobt diesen. Anhand der Performance dieses Vorschlages lernt wiederrum der übergeordnete Algorithmus, Controller genannt, welche Konzepte und Konfiguration zu einer besseren Performance des zu entwickelnden Algorithmus führen. Aus dieser Erfahrung kann nun der Controller neue Vorschläge zu Architektur und Konfiguration des zweiten Algorithmus machen und diese erneut analysieren.
Weiterlesen