Upgrade to PRO for Only $50/Year—Limited-Time Offer! 🔥

Software-Engineering-Fortbildung für Studierend...

Stefan Wagner
February 23, 2023

Software-Engineering-Fortbildung für Studierende und Industrie

Die digitale Transformation aller Lebensbereiche und Industrien ist in vollem Gange und benötigt viele Fachkräfte. Die aktuellen Hochschulabsolvent*innen decken diesen Bedarf bei weitem nicht. Durch Umwälzungen in anderen Bereichen, wie beispielsweise der Elektrifizierung in der Mobilität, werden dagegen andere Kompetenzen nicht mehr gebraucht. Stattdessen sind Kompetenzen in Software und Künstlicher Intelligenz überall gefragt. Dafür werden maßgeschneiderte, flexible Programme zur Fortbildung im Software Engineering benötigt. Diese Keynote berichtet von zwei Beispielen, wie dies realisiert werden kann:

(1) Wir bieten eine modulare Grundausbildung Software Engineering für die Industrie an. Hier werden Mitarbeiter*innen von Unternehmen mit existierender Hochschulbildung auf den Einsatz in Softwareprojekten geschult. Dieses Programm umfasst Vorlesungen und Übungen an ein bis zwei Tagen über ein ganzes Jahr, Abschlussklausuren und zwei Projektphasen. Hier haben bereits knapp 70 Teilnehmende aus der Industrie in vier Jahrgängen das Programm durchlaufen.

(2) Studierende und Promovierende können Microdegrees an der Schnittstelle von Künstlicher Intelligenz, Software Engineering und Anwendungen erwerben. Den Rahmen dazu bietet die Artificial Intelligence Software Academy (AISA) gefördert durch das MWK Baden-Württemberg, das Forschung und Lehre an dieser Schnittstelle verbindet. Es können flexible Microdegrees erworben werden, die diese Kombination von Software Engineering und Künstlicher Intelligenz enthalten und sich insbesondere auch an Nichtinformatiker*innen richten. Damit werden diese Kompetenzen Basisfähigkeiten für alle Fachbereiche, erhöhen die Einsatzmöglichkeiten der Teilnehmenden der Fortbildung und reduzieren den Fachkräfte-Mangel. Dies unterstreicht die praktische Relevanz des Software Engineerings in der Praxis und zeigt den wichtigen Beitrag, den Universitäten hier leisten können.

https://www.aisa.uni-stuttgart.de

Stefan Wagner

February 23, 2023
Tweet

More Decks by Stefan Wagner

Other Decks in Education

Transcript

  1. You can copy, share and change, film and photograph, blog,

    live-blog and tweet this presentation given that you attribute it to its author and respect the rights and licences of its parts. based on slides by @SMEasterbrook und @ethanwhite
  2. 3

  3. „ Wir müssen zeitgleich die aktuelle Krise bewältigen und den

    Wandel der Arbeitswelt voranbringen. Dafür brauchen wir Weiterbildung und Qualifizierung. Deutschland muss zur Weiterbildungsrepublik werden. Hubertus Heil 
 Bundesminister für Arbeit und Soziales
  4. • Qualifizierung nach Bedarf und für die direkte Übernahme neuer

    Stellen • Seit 2020 mehr als 1000 Beschäftigte für neue Aufgaben oder neue Stellen qualifiziert • Weltweit • Drei Bereiche • Elektrifizierung für Ingenieure und Facharbeiter • Softwarequalifizierung • Big Data mit Data Science, -Analysis und -Engineering Mission to Move Quelle: https://www.bosch-presse.de/pressportal/de/de/transformation-braucht-vielfalt-241997.html
  5. Softwarequalifizierung 
 mit der Universität Stuttgart Algorithmen und Datenstrukturen Programmierung

    und Programmierparadigmen Verteilte Systeme und Betriebssysteme Software Engineering Rechnerarchitektur Maschinelles Lernen und Künstliche Intelligenz Modellierung und Architektur Software-Qualität und Test Projektwochen I Projektwochen II
  6. Programmierung und Programmierparadigmen Grundlegende Einführung in das Programmieren anhand der

    Programmiersprachen C und C++ Grundkonzepte prozeduraler Programmiersprachen (Anweisungen, Verzweigungen, Schleifen) Funktionen und Routinen, Dekomposition und Modularisierung Variablen, einfache und komplexe Datentypen (u.a. Felder, Strukturen, Klassen) Präprozessor, Fehlersuche, Debugging, Build-Werkzeuge Zeiger und Speicherverwaltung Ausblick auf objektorientierte Programmierung Algorithmen und Datenstrukturen Grundlegende Einführung in wichtige Algorithmen und Datenstrukturen und deren Bewertung Bäume, Graphen 
 Sortieren, Suchen 
 Algorithmen auf Graphen Hashing 
 Komplexitätsbetrachtung und Bewertung von Algorithmen Rechnerarchitektur Darstellung von Information in digitalen Rechnern, insb. Zahlen, Zeichen 
 Grundlagen der Hardware-Technologie, Eigenschaften von digitalen Schaltungen (Fläche, Geschwindigkeit, Leistungsverbrauch), arithmetische Schaltungen, arithmetisch-logische Einheit (ALU), Speicherelemente, Register, sequentielle Schaltungen 
 Abstraktionsebenen eines Rechners, Assembler, Abbildung von Software-Konstrukten, Performanz, RISC-V als konkretes Beispiel, Überblick über andere Befehlssätze 
 Aufbau eines Mikroprozessors: Datenpfad, Pipelining und Hazards, Interrupts 
 Speicherhierarchie: Speichertechnologien, Caches, Virtualisierung 
 Parallele Architekturen: SIMD (Single Instruction, Multiple Data), Vektorrechner, Multi-threading, Shared Memory Architekturen vs. Message Passing, GPU-Architekturen Programmierung ist Grundlage
 für das Verständnis Unterbaut Verständnis
 was man programmiert 1. Halbjahr
  7. Software Engineering Grundbegriffe Analyse und Spezi fi kation Muster Architektur

    Feinentwurf Implementierung Build Integration Test Langlebige Software Continuous Deployment und DevOps Metriken Vorgehensmodelle Projekt- und Produktentwicklung Rollen Scrum Risiko Kon fi gurationsmanagement Aufwandsschätzung Team-Organisation Modellierung und Architektur Modellierung Objektbeziehungsbeschreibungen Aktivitätenbeschreibungen Zustandsmodellierung Software-Architektur Software-Architektur-Dokumentation Die Rolle des Software-Architekten Architekturwissen Architekturevaluation Architekturentscheidungs fi ndung Software-Qualität und -Test Software-Qualität (Automatisierte) Unit-Tests Qualitätssicherung Code-Überdeckung, Mutationstesten Reviews Statische Analyse Model Checking Testfallgenerierung und modellbasiertes Testen Funktionale Sicherheit Informationssicherheit Vertieft Qualität und Test Vertieft Architektur Modellierung ist Querschnittsmethode für Spezi fi kation, Architektur, Entwurf, … Modellierung ist Grundlage für modellbasierte Tests, Model Checking, … Direkte Entwicklungs- Aktivitäten Organis. und Management- Aufgaben 2. Halbjahr
  8. Universität Stuttgart • 40 Wochen netto • 20 Wochen Programmierung

    und Programmiersysteme, Algorithmen und Datenstrukturen, Rechnerarchitektur • Dann 1 Projektwoche • 20 Wochen Software Engineering, Modellierung und Architektur, Software-Qualität und Test • Am Ende zwei Wochen Abschlussprojekt • Dazwischen können Zusatzmodule belegt werden 20.01.2016 10 Aufteilung über ein Jahr
  9. Universität Stuttgart • Nach den 20 Wochen wird für jede

    der drei Module eine Klausur geschrieben, die bestanden werden muss. • Außerdem „erfolgreiche“ Teilnahme an den beiden Projektphasen • Ausweis des Umfangs und äquivalente ECTS 20.01.2016 11 Lernfortschrittskontrolle durch Prüfungen
  10. „ 12 Für mich war die Teilnahme am Programm rückblickend

    ein richtiger „Enabler“, ohne den ich in der Softwareentwicklung vermutlich nicht Fuß gefasst hätte. Michael Huis 
 Teilnehmer der Softwarequalifikation
  11. 13

  12. 16

  13. 17

  14. • die Ausbildung kompetenter Arbeitskräfte im Bereich AI-basierter Software und

    die Verknüpfung mit Anwendungen (AI+SE+X), insbesondere auch vor dem Hintergrund wachsender Nachfrage nach der Pandemie, • das Vorantreiben exzellenter industrieller und akademischer Forschung unter Nutzung innovativer AI- und SE-Methoden, • die Schaffung der Grundlage für innovativste Ausgründungen und für den Technologietransfer mit Schwerpunkt AI-basierter Anwendungen, • die Bündelung der Expertise in den Schlüsseldisziplinen AI+SE und in den Anwendungsdomänen X, insbesondere in den Ingenieurwissenschaften und • die Bereitstellung einer spezifischen und gut zugänglichen AI- und SE-Infrastruktur speziell für Ausbildung und Forschung. Ziele
  15. Training Zusätzliche Kompetenzen zu KI-Software werden überall gebraucht. Zusätzliche Qualifikation

    
 und Zertifikat über den normalen Abschluss hinaus Es zeigt, dass man 
 mehr machen will. Es ist kostenlos.
  16. 6 ECTS Course AISA Study Project AISA Microcredential AISA Study

    Project AISA Study Project 12 ECTS Courses AISA Certificate of 
 Advanced Study 24 ECTS Courses AISA Diploma of Advanced Study Interdisciplinary AI Project Critically Reflecting … Critically Reflecting …
  17. • Software Engineering for AI-based Systems (6 ECTS) • Introduction

    to AI (6 ECTS) • Machine Learning (6 ECTS) Pflichtkatalog
  18. • Interdisciplinary AI Software Project (6 ECTS) [ab Sommersemester 2023]

    • Qualitative Analyse von Software Designs (6 ECTS) • Advanced Software Testing and Analysis (6 ECTS) • Simulation Software Engineering (6 ECTS) • Optimierung, Machine Learning und Deep Learning für Architekten und Ingenieure (6 ECTS) • Data Processing for Engineers and Scientists (6 ECTS) • Mathematical Foundations of (Post-Quantum) Cryptography (6 ECTS) • Post-Quantum Secure Cryptography (6 ECTS) • Introduction to Modern Cryptography (6 ECTS) • Security and Privacy (6 ECTS) • System and Web Security (6 ECTS) • Data Engineering (6 ECTS) Wahlkatalog
  19. Wir bedanken uns für die Förderung durch das Ministerium für

    Wissenschaft, Forschung und Kunst Baden-Württemberg! https://aisa.uni-stuttgart.de/
  20. 33 Entwicklung von Bildungsabschlüssen Entwicklung und Etablierung von drei neuen

    hoheitlichen Bildungsabschlüssen zu Künstlicher Intelligenz und Maschinellem Lernen. • Bachelor Professional: 
 auf Meister-/Techniker-Niveau mit 
 min. 1.200 Lernumfang à 60 Minuten 
 • Geprüfte*r Berufsspezialist*in: 
 min. 400 Lernumfang à 60 Minuten 
 • Branchenübergreifende Zusatzqualifikation (ZQ) für Auszubildende: 
 100 Lernumfang à 45 Minuten Bachelor Professional in KI und maschinelles Lernen Berufsspezialist für KI und maschinelles Lernen ZQ für KI und maschinelles Lernen 2020 2024
  21. 34 Beispielhafte Themen aus DQR 5/6 Grundbegriffe von KI und

    maschinellem Lernen • Regression und Klassi fi kation • Daten als Repräsentation von Wissen • Training und maschinelles Lernen • Einsatz von KI-Modellen • Arten von maschinellem Lernen • Algorithmen • Typische Anwendungsbeispiele Chancen und Herausforderungen der KI • Algorithmischen Bias • Erklärbarkeit • Ressourcenknappheit • Robustheit von neuronalen Netzen Grundkenntnisse Programmierung und KI-Systementwicklung • Grundzüge der Programmierung mit Python • Datenanalyse und Modelltraining mit Python • Grundlagen der Entwicklung von KI-Systemen
  22. • Wie geht das „nebenher“? • Welche organisatorischen und Vergütungsstrukturen

    sind geeignet? • Wie mache ich das bekannt? Professionelles Marketing? • Was sind eigentlich Microdegrees und welche sollte eine Uni für was vergeben? • Angebote für Quereinsteiger, aber trotzdem „Uni-Niveau“ Herausforderungen
  23. • Förderung der leistungsstarken Studierenden • Verknüpfung und Weiterführung von

    Themen, die nicht einfach in Studienpläne passen • Tragen von Themen der Informatik und des Software Engineerings in die Breite • Neue Bedeutung von Universitäten für die Industrie • Neue Finanzquellen für Universitäten • Menschen durch berufliche Bildung mit der Universität in Berührung bringen • Durchlässigkeit und Anrechenbarkeit erhöhen Chancen
  24. Prof. Dr. Stefan Wagner e-mail [email protected] phone +49 (0) 711

    685-88455 WWW www.iste.uni-stuttgart.de www.stefan-wagner.software Mastodon @[email protected] ORCID 0000-0002-5256-8429 arXiv http://arxiv.org/a/wagner_s_1 Institute of Software Engineering