Den vollmundigen Versprechen mancher Anbieter und Influencer für generative KI steht die praktische Realität gegenüber, dass die Beschränkungen von LLMs zu vielen Problemen führen, ganz besonders beim Softwareengineering. Die Analyse großer Softwarearchitekturen und Codebasen durch LLMs scheitert unter anderem an dem beschränkten Kontextfenster der Foundation-Modelle. Das gilt im Umkehrschluss auch für deren Generierung. Wie sich diese Problematik zumindest teilweise umgehen lässt, möchte der Sprecher anhand geeigneter Techniken zeigen.

Zielpublikum: Softwarearchitekten, Softwareentwickler, technische Entscheidungsträger
Voraussetzungen:Grundkenntnisse über LLMs
Level: Practicing

Extended Abstract:
Den vollmundigen Versprechen mancher Anbieter und Influencer für generative KI steht die praktische Realität gegenüber, dass die Beschränkungen von LLMs zu vielen Problemen führen, ganz besonders beim Softwareengineering. Die Analyse großer Softwarearchitekturen und Codebasen durch LLMs scheitert unter anderem an dem beschränkten Kontextfenster der Foundation-Modelle. Das gilt im Umkehrschluss auch für die Generierung entsprechender Systeme. Wie sich diese Problematik zumindest teilweise umgehen lässt, möchte der Sprecher anhand geeigneter Techniken zeigen, zum Beispiel:

• Multi-Agenten-Ansätze
• Multi-Session-Ansatz
• RAG (Retrieval-Augmented Generation)
• GraphRAG (Wissensgraphen)
• Informationszusammenfassung und -kompression

Thema des Vortrags sind auch die Sicherheitsproblematiken beim Nutzen von KI und generativer KI.

Lernziele:

• Einschätzen der Praktikabilität von Gen KI/LLMs für das Softwarengineering inklusive deren Stärken und Schwächen.
• Erlernen von Techniken, die diese Einschränkungen zumindest teilweise umgehen.