Software Engineering Seminar WS 2024/ 2025
Der Lehrstuhl SEDA betreut im Wintersemester 24/25 das gemeinsame Software Engineering Seminar für Bachelor- und Masterstudenten. Das Ziel des Seminars ist die Einführung in das kritische Lesen, Verstehen, Zusammenfassen und Präsentieren von wissenschaftlichen Arbeiten. Inhalte sind ausgewählte Themen aus dem Bereich Software und Systems Engineering, insbesondere:
- Systems Engineering for Cyber-Physical Systems
- Safety, Security, Reliability and Availability
- Risk-Assessment and -Minimization
- Model-Based Safety Analysis
Anmeldung:
Die Anmeldung erfolgt hier auf der Homepage und ist zwischen 30.09.2024 und 17.10.2024 möglich. Füllen Sie dafür bitte das unten stehende Formular aus. Für zwei Themen brauchen Sie spezifisches Vorwissen, bitte wählen Sie diese Themen nur aus wenn Sie diese auch besitzen. Laden Sie in diesem Fall bitte ein zusätzliches Dokument hoch welches dies belegt (z.B Transcript of Records, Angabe von Berufserfahrung, etc.). Eine Anmeldung genügt, mehrfache Anmeldung erhöht nicht ihre Chancen.
Die endgültigen Zusagen werden am 18.10.2024 versenden.
Zeitplan:
- Kick-Off Treffen: 23.10.2024, 17:15 Uhr, Raum 11-220, Folien.
- Annotiertes Inhaltsverzeichnis: 20.11.2024
- Erste Version der Ausarbeitung: 20.12.2024
- Finale Version der Ausarbeitung: 07.02.2025
- Abschlusspräsentationen: 11.02.2025, 13:00 - 17:30 Uhr, Raum 32-439.
Links zu den Modulhandbüchern:
- Bachelor: https://modhb.uni-kl.de/mhb/modules/INF-01-11-M-4/
- Master: https://modhb.uni-kl.de/mhb/modules/INF-33-72-M-7/
Organisatoren:
- Dozent: Prof. Dr.-Ing. Peter Liggesmeyer
- Betreuung und Ansprechpartner: Alexander Günther
Themen
- Beschreibung: Multi-agent LLM-based software engineering platforms promise to automate most of the software development lifecycle. The goal of this seminar is to gather information about what such platforms can do, how they are structured, and how to evaluate the quality of the software produced.
- Literatur:
- Werkzeuge/Programme:
Bachelor/Master- Voraussetzungen:
- (necessary) Good understanding of SDLC.
- (optional) Understanding of LLM.
- Betreuer: Dr. Julien Siebert
- Anzahl an Studenten: 1-3
- Beschreibung: LLMs mit ihren generativen Fähigkeiten werden voraussichtlich tiefgreifende Auswirkungen auf die Softwareentwicklung haben. Ziel dieses Seminars ist es, den Stand der Technik der automatisierten Testfallgenerierung mit LLM zu erkunden.
- Literatur:
- Bachelor/ Master
- Betreuer: Dr. Julien Siebert
- Anzahl an Studenten: 1-3
- Beschreibung: Machine Learning methods generated some stunning results over the last decades and are increasingly influencing our all lives. Nevertheless there black-box character still holds challenges in the the safety assessment. Explainable artificial intelligence is trying to overcome this drawback by enriching the model predictions with additional information. The natural question that arises, are XAI methods capable to overcome the black-box character and allow a safe deployment in safety-critical systems?
- Literatur:
- Roberto Confalonieri, Ludovik Coba, Benedikt Wagner, and Tarek R. Besold. A historical perspective of explainable artificial intelligence. WIREs Data Mining and Knowledge Discovery, 11(1):e1391, 2021.
- Vinay Chamola, Vikas Hassija, A Razia Sulthana, Debshishu Ghosh, Divyansh Dhingra, and Biplab Sikdar. A review of trustworthy and explainable artificial intelligence (xai). IEEE Access, 11:78994–79015, 2023.
- Jos´e Faria. Machine learning safety: An overview. Safety-critical Systems Symposium 2018 (SSS’18), 02 2018.
- Timo Speith. A review of taxonomies of explainable artificial intelligence (xai) methods. In Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency, FAccT ’22, page 2239–2250, New York, NY, USA, 2022. Association for Computing Machinery.
Bachelor/Master- Voraussetzungen:
- (necessary) Machine Learning 1 (or equivalent).
- (optinal) Safety and Reliability of Embedded System (or equivalent).
- Betreuer:Alexander Günther
- Anzahl an Studenten: 1
- Beschreibung: Machine Learning Methoden haben in den letzten Dekaden beindruckende Ergebnisse erzielt und ihr Einfluss auf unser aller Leben nimmt weiter zu. Allerdings ist die Risikobewertung, aufgrund des black-box Character weiterhin herausfordernd. Die Techniken des statistischen model checking bieten eine mathematische Grundlage um (Software) Systeme zu bewerten. Deswegen stellt sich umgehend die Frage, ob diese Methoden auch für Machine Learning Modelle hilfreich sind?
- Literatur:
- Axel Legay, Anna Lukina, Louis Marie Traonouez, Junxing Yang, Scott A. Smolka, and Radu Grosu. Statistical Model Checking, pages 478–504. Springer International Publishing, Cham, 2019.
- Axel Legay, Benoˆıt Delahaye, and Saddek Bensalem. Statistical model checking: An overview. In Howard Barringer, Ylies Falcone, Bernd Finkbeiner, Klaus Havelund, Insup Lee, Gordon Pace, Grigore Ro¸su, Oleg Sokolsky, and Nikolai Tillmann, editors, Runtime Verification, pages 122–135, Berlin, Heidelberg, 2010. Springer Berlin Heidelberg.
- Jos´e Faria. Machine learning safety: An overview. Safety-critical Systems Symposium 2018 (SSS’18), 02 2018.
- Bachelor/ Master
- Betreuer:Alexander Günther
- Anzahl an Studenten: 1
Vorherige Seminare
Der Lehrstuhl SEDA hat im WS 2022/23 und SS 2023 kein Software Engineering Seminar angeboten.
Der Lehrstuhl SEDA hat im WS 2020/21 und SS 2021 kein Software Engineering Seminar angeboten.
(AG Programmiersprachen machten das Seminar - https://pl.cs.uni-kl.de/homepage/de/teaching/ )