Das Ende des Requirements Engineerings wie wir es kennen

Nun ist es passiert ! Nach jahrhundertelangem Bemühen der Menschheit, den Weg von der Idee in die Realisierung zu verkürzen, ist der Durchbruch geschafft. Was haben sich Informatiker Gedanken über die semantische Lücke gemacht, was hat man Sprachen erfunden, um es für verschiedenste Fachdomänen praktischer zu machen, sich Hilfssysteme zu bauen. Es war immer die Hoffnung, dass wenn das Problem formuliert ist, die Lösung damit auf dem Tisch liegt.

Da hat man z.B. COBOL in die Welt gesetzt, um Wirtschaftlern  eine direkte Möglichkeit zu geben, einer Maschine sagen zu können, was man möchte. Da wurde SQL erfunden, so dass jedermann auf der Straße mal eben eine Datenbank abfragen könnte. Es ließen sich tausende weitere Beispiele und Versprechungen aufzählen, die nach einem ähnlichen Muster gestrickt sind.

Es hat ja alles nicht so ganz funktioniert, am Ende brauchte es doch den Computer-Softwarespezialisten. Es waren ja nicht nur die Bemühungen Computer-Maschinen so zu gestalten, dass ihre Programmierung einfach ist. Auf der fachlichen Seite habe wir die Disziplin der Anforderungsentwicklung verbessert und mit nützlichen Ideen und Konzepten ausgerüstet, so dass der Weg in die Lösung, die Übersetzung der Geschäftslogik in eine technische Anwendung, die Transformation eines Problemraums in den Lösungsraum, erleichtert sein sollte.

Der Traum das der Webstuhl nicht nur automatisch webte, sondern neue bessere Webstühle von alleine hervorzubringen im Stande ist, dies war lange eine unglaubliche Utopie.

Marvin Minsky wusste es schon

Künstliche Intelligenz (KI)-Forscher wie Marvin Minsky, der sein Forscherleben der Computer Intelligenz gewidmet hat, waren schon Mitte der 60er Jahre sehr optimistisch, dass dieser konventionelle Weg zu entwickeln, der nach wie vor ein schwerer, komplexer, komplizierter Vorgang geblieben ist, mit der Verfügbarkeit von starker KI nicht mehr notwendig sein wird.

Mind over Machine wird zu Machine over Mind

Den Brüdern Dreyfus, die in den 80er Jahren eine fundamentale Kritik der damaligen KI-Forschung postulierten, muss heute gesagt werden, dass die von Ihnen gesehenen Hauptprobleme, das „commonsense understanding“ und das „changing relevance“ Problem, gelöst sind. KI-Datenbanktechnik und Verfügbarkeit von „Big Data“ Analytics Algorithmen sei Dank.

Heureka, neue Systeme ohne Mühe

Es ist kaum zu glauben, was aus den Labors namhafter KI-Forschungseinrichtungen berichtet wird. Der KI-Forscher Hal Kubrick demonstrierte unlängst einen Prototyp, der eindrucksvoll zeigte, wie Systementwicklung in Zukunft ablaufen wird. Eine künstliche Intelligenz wertete dabei die Entwicklungsdokumentation konventioneller Entwicklungsprojekte aus. Die von der KI erstellte alternative Lösung erfüllte nicht nur die Anforderungen exakter und vollständiger, sondern erfüllte auch alle bekannten Testfälle. Es sorgte sogar bei den Forschern für extreme Verwunderung, als das KI- System bekannte Fehler der konventionell entwickelten Lösung selbsttätig behoben hatte.

KI-Forschung befreit den Anforderungsmanager vom Dienst

Nach Aussage weiterer Forscher auf dem Gebiet, sind die KI-Systeme derzeit in einer Selbstoptimierungsschleife. Einfache Aufgaben wie Schaltungen für Aufgaben im IoT-Umfeld können diese Systeme bereits nach wenigen Stunden ausrechnen. In einer vom amerikanischen Verteidigungsministerium in Auftrag gegebenen Studie wird von einem generierten Kampfflugzeug, das nach 4 Wochen errechnet worden war, berichtet. Dessen Kampfstärke soll ersten Simulationen zu Folge in etwa dem 10-fachen heutiger Kampfsysteme entsprechen. Noch ist diese Leistung, die auf bekannten KI-Techniken wie maschinelles Lernen, evolutionäre Algorithmen und Quanten-Computertechnologie beruht, nur durch extrem massive Rechenleistung erreichbar.  Von kommerziellen Anbietern wie IBM kann diese Rechenleistung aber bald als Cloud Service zur Verfügung gestellt werden. Vorbei dann die Zeiten, in denen man langwierig Systementwicklung betreiben musste, der schwere Weg über Musterstände, Prototypen, Testläufen, Erprobungen, frühes Kundenfeedback etc., der gegangen werden musste, um ein System in den Betrieb übergeführt zu bekommen.

Künstliche Agilität macht das Rennen

Der KI-Entwickler Jeff Schwaber berichtete unlängst, dass man den Durchbruch mehr oder weniger zufällig erreichte. Orientierte man sich bei den Abläufen, die von den KI-Agenten durchlaufen wurden, erst an traditionellen sequentiellen Phasenmodellen, so brachte eine KI-Adaption des SCRUM Modells einen extremen Beschleunigungsgewinn. Es zeigte sich, dass das KI-System die Lösungen in einem Zehntel der sonst üblichen Zeit generieren konnte. Dort, wo das SCRUM Modell an der Unwissenheit der Beteiligten oft in der Realität scheitert, konnte das KI-System punkten- es besorgte sich einfach selbstständig und in rasender Geschwindigkeit die notwendige Kontextinformation aus weltweit verfügbaren Datenbanken und Online-Archiven. Dort, wo keine Information zur Vervollständigung des Kontextes verfügbar ist, schaltet das KI- System in einen Kreativ-Modus. Dieser auf genetischen Algorithmen beruhende KI-Brainstorming Prozess übertrifft bereits die weltweit besten Kreativ-Labore und soll atemberaubende Lösungsvorschläge machen können.

Eine Restaufgabe bleibt

Nach wie vor wird die Qualität jedoch von den Stakeholdern bestimmt. Die Restaufgabe, die uns Anforderungsverantwortlichen also bleibt, ist dafür zu sorgen, dass der KI alle Stakeholder bekannt gemacht werden, so dass sie diese abfragen kann, bzw. einfach nur Zugriff auf deren Rechner, Googlekonten und anderen Datenbasen bekommt. Alles andere geht dann von allein.  Selbst diese Aufgabe kann aber an KI-Systeme abgegeben werden.  Taylor Deming, von den Bell Labs, zeigte Forschungsergebnisse auf, bei denen zwei kurzgeschlossene KI–Systeme Fachseite und Entwicklungsseite simulierten. Die Zufriedenheitsmetriken der Fachseite, die das KI-System online bereitstellt, sind bereits beeindruckend. Das Forschungsteam ist derzeit auf der Suche nach weiteren Geldgebern, da die Systeme sich derzeit weigerten weiterzuarbeiten, wenn Ihnen nicht mehr Speicher und Energie zur Verfügung gestellt werden.

Das Testsystem Aprilius 0.1

Die HOOD RE-Laboratorien, die an Lösungen zur Verbesserung des Requirements Engineerings forschen und Lösungen wie HOODInside® oder DESIRe® entwickelt haben, nehmen den KI-Ball nun auf.

In Kürze soll ein Web-Service freigeschaltet werden. Mit dessen Hilfe wird es möglich sein, Anforderungsspezifikationen in die HOOD-Cloud  zu laden.  Das KI-System beginnt dann selbständig mit der Umsetzung und Implementierung einer Lösung. Dabei muss die Spezifikation keinen Qualitätsanspruch haben, Unvollständigkeiten oder Mehrdeutigkeiten werden über die im Internet verfügbaren Kontextinformationen selbsttätig aufgelöst. Die Lösungsvarianten werden dann als Programmcode und bei cyberphysischen Systemlösungen als  3D druckbares Modell geliefert. Die HOOD-Forscher arbeiten derzeit fieberhaft an einer Erhöhung der Performance des Systems. Bei größeren Spezifikationsaufgaben wie z.B. einem autonomen Fahrzeug muss derzeit noch mit einer Laufzeit von ca. 13,81 ± 0,04 Mrd. Jahren gerechnet werden. Dies kann den Forschern zu Folge schon als Erfolg gewertet werden. Man ist damit dann heute schon genauso schnell wie die natürliche Evolution!

Andreas Kreß

Kontaktieren Sie Andreas Kreß

The Software Engineer Andreas Kreß has served in roles like start-up product owner and requirements team manager at critical customer projects in the tech industries. He is the inventor of a widely used SCADA tool and helped set up methods and engineering tool environments from Y2K IT projects over large federal fiscal software standardization programs to automotive autonomous driving components development. He is a connoisseur of many intimate secrets of the art of developing systems. His focus is on the more far-reaching methods and tools in regulated and security-oriented systems engineering.