MAGNET

Unterstützung bieten hier Verfahren des maschinellen Lernens (ML), die sowohl unerfahrenen als auch fortgeschrittenen Entwicklern aufzeigen, was als Nächstes zu tun ist. AutoFOCUS3 (AF3) ist ein ausgereiftes, intern entwickeltes MDD-Tool, für das wir regelmäßig Schulungen für neue Nutzer anbieten. Diese kommen sowohl aus dem Hochschulbereich (z.B. Studenten oder Professoren) als auch aus der Industrie (z.B. Manager oder Softwareingenieure). AF3 ist und bleibt jedoch ein komplexes Werkzeug, weshalb es uns notwendig erschien, den Lernprozess der Teilnehmer unserer Schulungen – aber auch und besonders derjenigen, die unser Tool herunterladen und ohne Einweisung nutzen möchten – zu beschleunigen. Im Rahmen dieses Projekts haben wir ein lernbasiertes Empfehlungssystem mit Namen MAGNET entwickelt, das unerfahrene ebenso wie erfahrene AF3-Nutzer beim Lernen unterstützt.

Bei der Entwicklung von MAGNET stand Einfachheit im Vordergrund: Wenn der Nutzer nicht mehr weiterweiß oder verwirrt ist, aktiviert er per Knopfdruck das Empfehlungssystem, das ihm in drei Videos Bedienmöglichkeiten der IDE erklärt, sodass er die weiterführenden Schritte nachvollziehen kann. MAGNET wurde mit hochmodernen Verfahren des maschinellen Lernens entwickelt und viele Stunden durch die Interaktion von Nutzern mit dem AF3 trainiert. Die Videos wurden zusammen mit Experten für Human-Computer-Engineering entwickelt, um die Interaktion mit dem Nutzer so einfach wie möglich zu gestalten.

fortiss befasst sich maßgeblich mit der Entwicklung von Tools für Industriepartner, die Letzteren einen Wettbewerbsvorteil gegenüber ihren nationalen und internationalen Mitbewerbern verschaffen. Mit den von fortiss angebotenen Softwareentwicklungsumgebungen, wie AF3 oder 3diac, werden regelmäßig fortgeschrittene Softwareentwicklungsverfahren dargestellt. Eine der größten Herausforderungen der Branche ist die Lernkurve bei der Einführung neuer Werkzeuge: Softwareingenieure verbringen oft Wochen oder sogar Monate mit der Einarbeitung in die Hauptfunktionen oder Features neuer Tools. Dies schränkt die Möglichkeiten der Einführung neuer Werkzeuge – ob von fortiss oder anderen Anbietern – massiv ein. Konkret bremsen lange Einarbeitungszeiten unsere Forschungsanstrengungen und behindern Verbesserungen beim Software-Engineering.

Die Open-Source-Softwareentwicklungsumgebungen von fortiss bieten die Voraussetzungen, um die Erwartungen der Entwickler von Industriesoftware zu erfüllen. Wir wollen die Stärken und Fortschritte des maschinellen Lernens nutzen, um Lernprozesse speziell bei solchen, aber auch bei anderen Tools zu beschleunigen. Die vielfältigen laufenden Forschungsarbeiten und Praxiserfahrungen in diesem Feld haben Systeme zur Personalisierung des Lernens, der Empfehlungen und Warnungen (LRW) hervorgebracht, die Entwicklern automatisch wertvolles Feedback geben, um die Nutzerfreundlichkeit einer Softwareentwicklungsumgebung unter Berücksichtigung des ingenieursseitigen Bedarfs zu verbessern.

Der Gegenstand des geschilderten Projekts ist die Bereitstellung einer Basis für eine Machine-Learning-Architektur eines LRW-Systems mit dem Ziel der Verbesserung der nutzeradaptiven Interaktion mit einer Open-Source-Softwareentwicklungsplattform.

01.08.2018 - 31.01.2019