ENGLISH

INF2550 KI in der Software Entwicklung

Modulverantwortliche
  • Prof. Dr. Klaus-Dieter Quibeldey-Cirkel
Lehrende
  • Prof. Dr. Klaus-Dieter Quibeldey-Cirkel
Notwendige Voraussetzungen zur Teilnahme

Für Bachelor Informatik, Bachelor Ingenieur-Informatik:

  • GEN1002 Informatik-Projekt,
  • INF2001 Software Engineering: Konzepte und Methoden

Für Bachelor Digital Media Systems:

  • INF1002 Webbasierte Programmierung 2
Vorausgesetzte Module
Kurzbeschreibung

Das Modul lehrt die Anwendung von KI in der Software-Entwicklung: von der Anforderungsanalyse bis zum UX-Design. KI-Tools in Programmierung, Test, Qualitätssicherung und Dokumentation stehen im Fokus.

Inhalte
  • KI-Grundlagen: Entwicklungsgeschichte und Schlüsselkonzepte
  • Überblick über KI-Algorithmen: Vom Maschinellen Lernen zu Deep Learning
  • Generative Pre-trained Transformer (GPT): Einsatzgebiete im Software-Engineering
  • Prompt Engineering im Kontext der Software-Entwicklung
  • Retrieval-Augmented Generation (RAG): Architekturen und Praxisimplementierung
  • KI-gestützte Anforderungsanalyse und -modellierung
  • Chatbot-geführtes Rapid Prototyping von GPT-Apps
  • Code-Generierung, -Optimierung und -Refactoring mit KI-Assistenten
  • Qualitätsmanagement mittels KI
  • KI im UI-Design und in der UX-Evaluation: Methoden und Tools
  • Softwaredokumentation mit KI-Generatoren
  • Datenschutz, Sicherheitsmanagement, der EU AI Act und ethische Aspekte im Zusammenhang mit KI-Projekten
Qualifikations- und Lernziele

Fachkompetenzen

  • Die Studierenden können die Potenziale der KI-gestützten Software-Entwicklung beurteilen.
  • Sie können die Rolle von KI-Assistenten in den verschiedenen Entwicklungsphasen erläutern.
  • Sie können aktuelle KI-Technologien und KI-Tools evaluieren.

Methodenkompetenzen (fachlich & überfachlich)

  • Die Studierenden können KI-Tools zur Optimierung der Anforderungsanalyse und zur Erfassung der Nutzerbedürfnisse anwenden.
  • Sie können LLM-basierte Anwendungen (Large Language Model) entwerfen und implementieren.
  • Sie können Testautomatisierungen und Qualitätssicherungsmaßnahmen mit KI-Tools durchführen.

Sozialkompetenzen

  • Die Studierenden können im Team Softwareprojekte KI-gestützt planen und umsetzen.
  • Sie können Lösungsansätze und Projektergebnisse effektiv kommunizieren.
  • Sie können konstruktives Feedback geben und annehmen, um die Zusammenarbeit und das Projektergebnis kontinuierlich zu verbessern.

Selbstkompetenzen

  • Die Studierenden entwickeln ein kritisches Bewusstsein für ethische, datenschutzrechtliche und sicherheitstechnische Aspekte der KI-gestützten Software-Entwicklung.
  • Sie können ihre Lernprozesse reflektieren und sich eigeninitiativ zusätzliches Wissen in den Bereichen KI und Software-Entwicklung aneignen.
  • Sie können Entscheidungen bei der Tool-Auswahl und der Implementierung von KI-Lösungen souverän treffen.
ECTS-Leistungspunkte (CrP)
  • 6 CrP
  • Arbeitsaufwand 180 Std.
  • Präsenzzeit 60 Std.
  • Selbststudium 120 Std.
Lehr- und Lernformen
  • 4 SWS
  • Seminaristischer Unterricht 2SWS und Praktikum 2SWS
Studiensemester
  • Digital Media Systems (B.Sc. 2023)
  • Informatik (B.Sc. 2022)
  • Ingenieur-Informatik (B.Sc. 2022)
Dauer
1 Semester
Häufigkeit des Angebots
Einmal im Jahr
Unterrichtssprache
Deutsch
Bonuspunkte

Ja

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsleistungen

Prüfungsvorleistung:

Übungsaufgaben

(Anzahl wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

Prüfungsleistung:

Projekt

Benotung
Die Bewertung des Moduls erfolgt gemäß §§ 9, ggf. 12 (Teilleistungen), ggf. 18 (Arbeiten, Kolloquien) der Allgemeinen Bestimmungen (Teil I der Prüfungsordnung).
Verwendbarkeit
Gemäß § 5 der Allgemeinen Bestimmungen (Teil I der Prüfungsordnung) Verwendbarkeit in allen Bachelorstudiengänge der THM möglich.
Literatur, Medien
  • Sax, E.; Molinar, G.; Stang, M.: AMALEA – Angewandte Machine-Learning-Algorithmen. KI-Campus.
  • Gao, Y., et al.: Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv. https://arxiv.org/abs/2312.10997
  • Chen, B., et al.: Unleashing the potential of prompt engineering in Large Language Models: A comprehensive review. arXiv. https://arxiv.org/abs/2310.14735
  • Hou, X., et al.: Large Language Models for Software Engineering: A Systematic Literature Review. arXiv. https://arxiv.org/abs/2308.10620

Rechtliche Hinweise