Direkt vom Whiteboard zum UML-Modell: Entwicklung einer Machine Learning basierten Methodik zur semantischen Identifikation von modellbasierten Systems Engineering Skizzen

Kontext

Modelbasierte Entwicklung stellt eine unentbehrliche Säule bei der Entwicklung sicherheitskritischer technischer Systeme dar. Hierfür existiert eine breite Toollandschaft zur Modellierung von etwa UML und SysML Repräsentationen – jedes Unternehmen verwendet einen unterschiedlichen Ansatz. Allerdings nimmt eine geeignete Beschreibung des jeweiligen Systems in den dafür vorgesehenen Programmen einen nicht unerheblichen Teil der Entwicklungszeit in Anspruch. Kooperatives und kreatives Brainstorming findet jedoch meist an anderen Orten statt: im Besprechungsraum am Whiteboard, oder in der Kaffeeküche mit einem Blatt Papier. Erste kreative Modelle sind meist noch nicht streng semantisch vollständig. Hinterher muss dann die Skizze mühsam in einem Tool nachmodelliert, und die Semantik finalisiert werden. Wie lässt sich diese Lücke schließen? Für das Design von Websiten wird an der Nutzung von Machine Learning Methoden geforscht, um Website-Elemente zu erkennen, Text zu extrahieren und damit direkt von der Skizze zum HTML-Code zu kommen (https://www.microsoft.com/en-us/ai/ai-lab-sketch2code). 

In dieser Arbeit soll ein ähnlicher Ansatz erforscht werden: Sketch2MBSE. Es soll ein Machine Learning Model entwickelt werden, welches Ähnlichkeiten zwischen skizzierten Symbolen und den formalen Darstellungen ermöglicht, beispielsweise durch siamesische Neuronale Netze. Die jeweilige Semantik des Modells kann so gewährleistet werden und es entsteht ein erheblicher Zeitgewinn in aufwändigen Projekten durch den Zugewinn an ermöglichter Kreativität und Kooperation. 

Ziele

• Überblick und Recherche zur passenden ML-basierten Verfahren
• Konzeptionierung zur Entwicklung eines matching-models für Modellbasierte Entwicklung 
• Recherche und Auswahl einer geeigneten grafischen oder textuellen Modellierungssprache / Werkzeug zur automatischen Generierung der gematchen Modelle  
• Implementierung der entworfenen Konzepte
• Evaluation des entworfenen Konzepts anhand einer geeigneten Testpipeline

Voraussetzungen

• Interesse an Machine Learning und modelbasiertem Design
• Fundierte Programmierkenntnisse (Python/C++)
• Zuverlässige und eigenständige Arbeitsweise