Morgen macht die KI meine Arbeit!

…“Boah, schau mal was das Ding alles kann!“
So oder so ähnlich war bestimmt auch Ihre Reaktion, als Sie eine der zahlreichen und öffentlich verfügbaren KIs (Künstliche Intelligenzen) ausprobiert haben. Und wenn auch nicht laut ausgesprochen, so war diese Reaktion zumindest in Ihrem Kopf präsent. Auch der nächste Gedanke: „Das Ding nimmt mir demnächst den Job weg!“ könnte Ihnen dann gekommen sein. Wäre zumindest nicht verwunderlich.
Und auch all die Reportagen, Videos und Schlagzeilen, dass der Einsatz von Künstlicher Intelligenz nicht nur eine technische Neuerung darstellt, sondern einer Revolution gleichkommt, haben wir alle im Verlauf des letzten Jahres öfter gehört! 

Wie Sie sich vorstellen können, haben wir SOPHISTen einen etwas anderen Approach bezüglich dem Einsatz von KIs. Wir arbeiten mit unseren Kunden im Requirements Engineering (RE) und Systems Engineering (SE) an Produkten, Systemen und Services, die ebenso wie die Welt um sie herum, zunehmend komplexer und vernetzter werden. KI sollte auch hier die Möglichkeit bieten, die Effizienz und Qualität der Entwicklungsprozesse erheblich zu steigern.

Aber wie? 

Dieser Artikel bietet eine Übersicht der Vorteile, den Herausforderungen und den praktischen Anwendungen von KI im RE und SE, mit einem besonderen Fokus auf den von uns ausgewählten Szenarien. 

Vorteile des Einsatzes von KI 

Effizienzsteigerung 
Die Fähigkeit von KI, große Datenmengen schnell zu analysieren, ermöglicht eine erhebliche Steigerung der Effizienz in der Anforderungserhebung und -analyse. Dies reduziert den Zeitaufwand und ermöglicht es den Teams, sich auf komplexere Aufgaben zu konzentrieren.  
Durch die Automatisierung routinemäßiger Aufgaben können Ingenieur*innen und Analysten*innen mehr Zeit für die Lösung komplexer Probleme aufwenden, was die Qualität des Endprodukts verbessert.  

Qualitätsverbesserung 
KI-Systeme können durch präzise Analyse und Validierung dazu beitragen, die Qualität der Anforderungen und der Systemarchitektur zu verbessern. Dies führt zu einer höheren Qualität des Endprodukts und reduziert das Risiko von Fehlern und Nacharbeiten.  

Warum KI im RE und SE einsetzen? 

Die derzeit genutzten Methoden in RE und SE sind oft manuell, zeitaufwendig, unübersichtlich, komplex und fehleranfällig. Hinzu kommt noch, dass die Kommunikation und Zusammenarbeit zwischen verschiedenen Abteilungen und Stakeholdern nicht immer optimal ist. Ein weiteres Phänomen ist, dass die Erfüllung von Standards die Aufwände in vielen Bereichen des RE und SE erhöhen.  

Auf der anderen Seite geben die verfügbaren KIs das Versprechen, diese Herausforderungen durch Automatisierung, präzise Datenanalyse und Mustererkennung zu bewältigen. 

Wir haben eine Liste von Szenarien aus dem RE und SE zusammengestellt und priorisiert und analysieren anhand dieser, welche Möglichkeiten KIs für die Bewältigung dieser Aufgaben bereitstellen. Jedes einzelne Szenario versuchen wir nun anhand von sieben Hauptgebieten und dazugehörenden Fragen zu analysieren und durch die Beantwortung der Fragen ein Konzept zu erarbeiten wie KI für dieses bestimmet Szenario eingesetzt werden könnte. 

Szenarien im RE und SE

Welche Szenarien wären aus Eurer Sicht relevant?  
Haben wir Eurer Meinung nach eine gute Auswahl und eine passende Priorisierung getroffen? 

Prio 1 Szenarien 

Szenario 1: Anforderungen vervollständigen 

Warum?
Um Risiken wie z. B. Over Budget, Over Time & Kundenunzufriedenheit zu vermeiden, ein falsches oder unvollständiges System zu entwickeln, muss ich die Vollständigkeit einzelner als auch der Gesamtheit von Anforderungen zueinander erzielen.  

Oftmals stehen Entwicklerteams vor der Herausforderung, Anforderungen für ein Produkt oder eine Lösung zu definieren, ohne einen klaren oder vollständigen Input von Stakeholdern oder anderen Informationsquellen. Das „Erstellen von Anforderungen aus dem Nichts“ kann risikobehaftet und ineffizient sein und kommt, Hand aufs Herz doch häufiger vor, als uns eigentlich lieb ist.  

Szenario 2: Anforderungen in Architektur überführen 

Warum?
Basierend auf ersten Anforderungen unterschiedlichen Detailgrads, wird ein erstes „Architektur-Grundgerüst“ geschaffen. Zeitersparnis und das Schaffen einer Diskussionsgrundlage sind die Probleme, die hier adressiert werden.  

• Neues System entwerfen  
• Neuen Schnitt durch das System ziehen z.B. mittels RFLP 
• Qualität verbessern (schnell, sicher, leicht, stabil…)  
• Dokumentation verändern: Visualisierung und Sprache  

Szenario 3: Varianten Management 

Warum?
Das Variantenmanagement ermöglicht den Unternehmen, eine Vielzahl von Produktvarianten mit minimalen Unterschieden effizient zu verwalten und dennoch kundenspezifische Lösungen bereitzustellen. Dies beinhaltet Herausforderungen wie die Identifizierung optimaler Produktvarianten, die Vorhersage der Nachfrage nach bestimmten Varianten, die Verwaltung von Varianten über ihren Lebenszyklus hinweg und die Automatisierung von wiederkehrenden Aufgaben im Zusammenhang mit dem Variantenmanagement.  

Prio 2 Szenarien 

Szenario 4: Stakeholderliste erstellen 

Warum?
Die Identifizierung der relevanten Stakeholder ist entscheidend für die erfolgreiche Umsetzung des Projekts, weil bei ihnen oftmals sehr viel Wissen für Anforderungen und Spezifikationen liegt. 

Szenario 5: Personas entwickeln, identifizieren & dokumentieren/visualisieren 

Warum?
Personas helfen, die Bedürfnisse und Erwartungen der Endbenutzer besser zu verstehen. 
Die Entwicklung der fiktiven Benutzer basierend auf der Analyse von Benutzerdaten kann sich aufwändig gestalten. 

Prio 3 Szenarien 

Szenario 6: Geschäftsprozesse aus vorhandenen Dokumenten oder Modellen extrahieren & zusammenfassen 

Warum?
Das Verständnis der Geschäftsprozesse ist entscheidend für die effektive Gestaltung von Systemen. Auch hier können die Datenmengen und die Komplexität Inhalte dazu führen, dass die Entwicklung sehr aufwändig ist.  

Szenario 7: Interview Guides erstellen 

Warum?
Gut gestaltete Interviewleitfäden können die Qualität der erhobenen Daten erheblich verbessern.  

Schwierigkeiten und Risiken 

Datenqualität
Die Qualität der von KI-Systemen generierten Ergebnisse ist stark von der Qualität der zugrunde liegenden Daten abhängig. Unzureichende oder fehlerhafte Daten können zu ungenauen oder irreführenden Ergebnissen führen. Es ist daher entscheidend, dass die Daten, die für KI-Analysen verwendet werden, sorgfältig ausgewählt und aufbereitet werden. 

Datensicherheit / IP-Schutz 
Ein weiterer wichtiger Aspekt ist der Schutz von Daten und geistigem Eigentum. Besonders bei der Verwendung von öffentlichen KI-Diensten besteht das Risiko, dass sensible Daten kompromittiert werden könnten. Unternehmen müssen daher sorgfältig abwägen, welche KI-Systeme sie verwenden und wie sie ihre Daten schützen. 

Öffentliche vs. unternehmensinterne KIs 
Die Wahl zwischen einer öffentlichen und einer unternehmensinternen KI-Lösung hat sowohl Vor- als auch Nachteile. Während öffentliche KI-Dienste oft kostengünstiger und einfacher zu implementieren sind, bieten unternehmensinterne Lösungen in der Regel besseren Schutz für sensible Daten und geistiges Eigentum. 

Bias einer KI
Der Einsatz von KI in RE und SE kann zu Verzerrungen (Bias) führen, die die Qualität der Ergebnisse beeinträchtigen können. Ein solcher Bias kann sich in Form von Betriebsblindheit manifestieren, bei der die KI-Systeme dazu neigen, bestehende Praktiken und Ansätze zu verstärken, was die Fähigkeit des Unternehmens, innovative Lösungen zu entwickeln, einschränken kann. 

Fazit 

Der Einsatz von KI im RE und SE ist ein vielversprechendes, aber auch herausforderndes Unterfangen. Die Vorteile in Bezug auf Effizienz und Qualität sind erheblich aber wie wir es gerade selbst erleben, ist die Implementierung von KI für die Nutzung in RE- und SE-Prozessen eine komplexe Aufgabe! Unsere ersten Versuche basierende auf einigen der oben genannten Szenarien haben wir mit verschiedenen kommerziellen Lösungen erstellt. Wir arbeiten aber auch gerade daran eine eigene firmeninterne KI aufzubauen. 

Unsere Erfahrungen werden wir mit Euch in den nächsten Blogartikeln mit Euch teilen! 

Literaturverzeichnis 

Chat GPT hat mich beim Schreiben dieses Artikels unterstützt. Auf meine Frage zu den genutzten Quellen hat Chat GPT folgende genannt: 

• „Artificial Intelligence in Requirements Engineering: A Systematic Mapping Study“ von Jane Cleland-Huang et al. 
• „The Role of Artificial Intelligence in Systems Engineering“ von Dr. John A. Hamilton 
• „Machine Learning for Requirements Engineering: A Survey“ von Zhi Jin et al. 

…Allerdings: Überprüft man diese Angaben stellt man fest, dass es sowohl die Autoren als auch einige der Dokumente mit den genannten Titeln gibt. Aber ich konnte nicht die hier gezeigten Verbindungen nachvollziehen! 

Nach meiner Google Suche müsste die Liste so aussehen: 

• Artificial Intelligence in Requirements Engineering” von Landhäußer, Mathias; Körner, Sven J. 
• The Role of Artificial Intelligence in Systems Engineering” à Hier konnte ich keine Studie unter diesem Namen finden 
• Machine Learning in Requirements Engineering: A Mapping Study” von Kareshna Zamani; Didar Zowghi; Chetan Arora 

Zweites Fazit:

Inhalte, die uns Chat GPT gibt, müssen nochmals überprüft werden – insbesondere das Nachvollziehen von Quellinformationen ist sehr schwierig!  

Wir freuen uns sehr auf Eure Rückmeldungen.

Beste Grüße, Eure SOPHISTen