Auflistung nach Autor:in "Wortmann, Andreas"
1 - 10 von 117
Treffer pro Seite
Sortieroptionen
- Konferenzbeitrag19th Workshop on Automotive Software Engineering (ASE'22)(Software Engineering 2022 Workshops, 2022) Dörr, Heiko; Helke, SteffenPreface of the 19th Workshop on Automotive Software Engineering (ASE'22)
- Konferenzbeitrag21st Workshop on Automotive Software Engineering (ASE'24)(Software Engineering 2024 (SE 2024), 2024) Kugele, Stefan; Wotawa, Franz
- Konferenzbeitrag4th Workshop on Avionics Systems and Software Engineering(Software Engineering 2022 Workshops, 2022) Annighöfer, Björn; Schweiger, Andreas; Reich, MarinaPreface of the Workshop on Avionics Systems and Software Engineering
- Konferenzbeitrag5. Workshop für Anforderungsmanagement in Enterprise Systems-Projekten (AESP'24)(Software Engineering 2024 (SE 2024), 2024) Weiss, Christoph; Keckeis, Johannes
- Konferenzbeitrag6th Workshop on Avionics Systems und Software Engineering (AvioSE'24)(Software Engineering 2024 (SE 2024), 2024) Reich, Marina; Annighoefer, Bjoern; Schweiger, Andreas
- Konferenzbeitrag6th Workshop on Software Engineering for Cyber-Physical Production Systems (SECPPS'24)(Software Engineering 2024 (SE 2024), 2024) Greiner, Sandra; Walter, Jörg; Koren, István
- KonferenzbeitragALADIN – Generator für Aufgaben und Lösung(shilf)en aus der Informatik und angrenzenden Disziplinen(Modellierung 2022 Satellite Events, 2022) Christ, Paul; Laue, Ralf; Munkelt, TorstenDas Erlernen von Fähigkeiten zur Modellbildung ist eine grundlegende Zielstellung in vielen Studiengängen. Insbesondere in der Informatik und angrenzenden Disziplinen lassen sich viele Modellierungsaufgaben mittels Graphen repräsentieren, was das computergestützte Generieren solcher Graphen und entsprechender Aufgaben und Lösung(shilf)en auf Grundlage bestehender Graphenalgorithmen nahelegt. Dieser Beitrag stellt das Framework ALADIN vor, welches graphenbasierte Modelle und Aufgaben für Probleme aus verschiedenen Fachbereichen generiert und Studenten bei der Lösung der Probleme unterstützt. Die Generierung erfolgt parametrisiert, um dem Anforderungsprofil der Bearbeiter zu entsprechen. ALADIN ermöglicht eine zeit- und ortsunabhängige Bearbeitung von Übungsaufgaben. Zudem prüft ALADIN die Lösungen direkt auf Korrektheit, ohne Lehrpersonal zu binden. Aufzeichnungs- und Wiedergabefunktionalität erhöht den Nutzen von ALADIN in Blended-Learning-Szenarien.
- KonferenzbeitragAlways Contribute Back: A Qualitative Study on Security Challenges of the Open Source Supply Chain(Software Engineering 2024 (SE 2024), 2024) Wermke, Dominik; Klemmer, Jan H.; Wöhler, Noah; Schmüser, Juliane; Sri Ramulu, Harshini; Acar, Yasemin; Fahl, Sascha
- KonferenzbeitragAnalysis and Propagation of Feature Revisions in Preprocessor-based Software Product Lines(Software Engineering 2024 (SE 2024), 2024) Michelon, Gabriela K.; Assunção, Wesley; Grünbacher, Paul; Egyed, Alexander
- KonferenzbeitragAn Anthropomorphic Approach to establish an Additional Layer of Trustworthiness of an AI Pilot(Software Engineering 2022 Workshops, 2022) Regli, Christoph; Annighoefer, BjörnAI algorithms promise solutions for situations where conventional, rule-based algorithms reach their limits. They perform in complex problems yet unknown at design time, and highly efficient functions can be implemented without having to develop a precise algorithm for the problem at hand. Well-tried applications show the AI’s ability to learn from new data, extrapolate on unseen data, and adapt to a changing environment — a situation encountered in fl ight operations. In aviation, however, certifi cation regulations impede the implementation of non-deterministic or probabilistic algorithms that adapt their behaviour with increasing experience. Regulatory initiatives aim at defining new development standards in a bottom-up approach, where the suitability and the integrity of the training data shall be addressed during the development process, increasing trustworthiness in eff ect. Methods to establish explainability and traceability of decisions made by AI algorithms are still under development, intending to reach the required level of trustworthiness. This paper outlines an approach to an independent, anthropomorphic software assurance for AI/ML systems as an additional layer of trustworthiness, encompassing top-down black-box testing while relying on a well-established regulatory framework.