Um das Vertrauen der Kunden zu festigen und Wettbewerbsvorteile zu erlangen, ist es von entscheidender Bedeutung, dass Softwareprodukte und -dienstleistungen einwandfrei funktionieren. Die praxiserprobten Forschungsaktivitäten des Center for Code Excellence (CCE) im Bereich Software Engineering Intelligence zielen darauf ab, die Qualitätssicherung zu stärken, gründliche Testverfahren zu entwickeln und effektive Wartungsstrategien zu unterstützen.

In einem Umfeld, in der selbst kleine Softwarefehler zu erheblichen geschäftlichen Nachteilen führen können, stattet dieser Forschungsschwerpunkt kleine und mittelständische Unternehmen (KMU) mit den notwendigen Werkzeugen und dem Wissen aus, um die optimale Leistung, Zuverlässigkeit und Widerstandsfähigkeit ihrer Software sicherzustellen.

Unsere Forschung im Bereich des Software-Engineering-Managements legt den Schwerpunkt auf Methoden wie Agile und DevOps, die auf schnelle Änderungen und Benutzerfeedback reagieren. Dies führt zu einer Optimierung der Softwareentwicklungsprozesse, fördert die Zusammenarbeit zwischen den Abteilungen und ermöglicht zeitnahe sowie qualitativ hochwertige Aktualisierungen.

Insbesondere die kontinuierliche Entwicklung ermöglicht ein anpassungsfähiges und reaktionsschnelles Verhalten bei Marktveränderungen, wodurch die Langlebigkeit der Software gefestigt wird.

Maschinelles Lernen (ML) wird zunehmend zu einem integralen Bestandteil von Unternehmenslösungen. Das Management von ML-Projekten unterscheidet sich jedoch deutlich von der traditionellen Softwareentwicklung. Mit der empirischen Forschung des CCE zum Software-Engineering für maschinelles Lernen, unterstützen wir Unternehmen bei der Einführung von Best Practices im Bereich MLOps.

Durch dieses Vorgehen gewährleisten wir, dass ML-Modelle äußerst genau sind und sich nahtlos in bestehende Softwaresysteme integrieren lassen. Die Versionskontrolle für Code und Daten ermöglicht iterative Verbesserungen, ohne den Überblick über die durchgeführten Änderungen zu verlieren. Gleichzeitig stellt die kontinuierliche Bereitstellung sicher, dass Modellaktualisierungen zeitnah erfolgen. Ein effektiv verwalteter Entwicklungsprozess für maschinelles Lernen ermöglicht eine schnellere und besser integrierte Entwicklung.