Jüngling, Stephan
E-Mail-Adresse
Geburtsdatum
Suchergebnisse
Ein menschlicher Eignungstest für objektorientierte Programmierung im Kontext von KI und maschinellem Lernen
Viele aktuelle IT-Systeme werden auf der Grundlage des objektorientierten (OO) Programmierparadigmas implementiert, das sich in mehr als zwei Jahrzehnten als einer der erfolgreichsten Mechanismen für die Wiederverwendung und Erweiterung von Code erwiesen hat und in vielen Softwarekomponenten und -systemen verwendet wird. In Verbindung mit einem soliden Verständnis von Geschäftsprinzipien und guten Kommunikationsfähigkeiten gilt OO immer noch als eine der Kernkompetenzen bei der Entwicklung von Plattformen und Systemen, die unsere heutige IT-Landschaft bestimmen. Der Selbsteinschätzungstest, den wir als Frühindikator für angehende Studierende der Wirtschaftsinformatik (BIT) entwickelt haben, gibt Aufschluss über das Kompetenzniveau von Studienanfängern und -anfängerinnen und dient als Ausgangspunkt, um über Abstraktionsfähigkeiten im Kontext der aktuellen Digitalisierung und der Zunahme von Komponenten der künstlichen Intelligenz (KI) nachzudenken. Der Artikel erläutert die Relevanz des OO-Denkens auf verschiedenen Abstraktionsebenen im Kontext des Lebenszyklus aktueller Systemarchitekturen und gibt einen Ausblick darauf, wie diese Abstraktionsfähigkeiten beim Wechsel von einem OO-Entwicklungs-paradigma in einen neuen Bereich wiederverwendet werden können, in dem KI und maschinelles Lernen ihren Einfluss auf den Gesamtentwurf von Software-systemen stetig vergrößern werden.
On the track to application architectures in public transport service companies
There are quite some machine learning (ML) models, frameworks, AI-based services or products from different IT solution providers available, which can be used as building blocks to embed and use in IT solution architectures of companies. However, the path from initial prototypical proof of concept solutions until the deployment of proven systems into the operational environment remains a major challenge. The potential of AI-based software components using ML or knowledge engineering (KE) is huge and the majority of small to medium enterprises are still unsure whether their internal developer teams should be extended by additional ML or KE skills to enrich their IT solution architectures with novel AI-based components where appropriate. How can enterprises manage the change and visualize the current state and foreseeable road-map? In the current paper, we propose an AI system landscape for the public transport sector, which is based on existing AI-domains and AI-categories defined by different technical reports of the European Commission. We collect use-cases from three different enterprises in the transportation sector and visualize them on the proposed domain specific AI-landscape. We provide some insights into different maturity levels of different AI-based components and how the different ML and KE based components can be embedded into an AI-based software development life-cycle (SDLC). We visualize, how the AI-based IT-solution architecture evolved over the last decades with respect to coupling and decoupling of layers and tiers in the overall Enterprise Architecture.