-
Die Offenbarung betrifft ein computer-implementiertes Verfahren, eine Vorrichtung zur Datenverarbeitung, ein Computerprogramm und ein computerlesbares Medium, die jeweils zur automatisierten Erstellung und Überprüfung von Lastenheften für technische Systeme mittels eines ML-Modells ausgestaltet sind.
-
Ein Lastenheft (auch Anforderungsspezifikation, Anforderungskatalog, Produktskizze, Kundenspezifikation oder Anwenderspezifikation) beschreibt die Gesamtheit der Anforderungen des Auftraggebers an die Lieferungen und Leistungen eines Auftragnehmers. Mit anderen Worten, gemäß DIN 69901-5 (Begriffe der Projektabwicklung) beschreibt das Lastenheft die „vom Auftraggeber festgelegte Gesamtheit der Forderungen an die Lieferungen und Leistungen eines Auftragnehmers innerhalb eines Auftrages“. Im Rahmen eines Werkvertrages oder Werkliefervertrages und der dazugehörenden formellen Abnahme soll das Lastenheft präzise die nachprüfbaren Leistungen und Lieferungen beschreiben. Das Lastenheft beschreibt somit in der Regel somit, was und wofür etwas gemacht werden soll. Die primären Adressaten des Lastenhefts sind die Auftragnehmer. Daneben sind weitere Adressaten der (externen oder firmeninternen) Auftraggeber als Genehmiger des Lastenhefts, sowie Projektleiter, Anforderungssteller und andere Stakeholder als (Projekt-)Beteiligte. Ein Lastenheft wird in Textform verfasst. Detaillierungen und Präzisierungen können beispielsweise mittels Tabellen, durch Zeichnungen, Grafiken oder Modellierungssprachen erfolgen.
-
Ein Herausforderung bei der Erstellung von Lastenheften, insbesondere bei der Beschreibung von Anforderungen und der folgenden Beschreibung von System- und Testanforderungen, ist die Vollständigkeit, Fehlerfreiheit und die durchgängige Betrachtung der Testbarkeit in den jeweiligen Abstraktionsebenen. Durch manuelles Erstellen von Anforderungen durch unterschiedliche Mitarbeiter mit unterschiedlichen Wissens- und Erfahrungsstand kann die Gefahr bestehen, dass sich Fehler bei einer Spezifikation eines Systems bzw. Fehler bei der Absicherung des Systems wiederholen. Der menschliche Fehler lässt sich zwar durch Reviews und Prozessunterstützung minimieren, jedoch nicht ausschließen.
-
Vor dem Hintergrund dieses Standes der Technik besteht die Aufgabe der vorliegenden Offenbarung darin, eine Vorrichtung und/oder ein Verfahren anzugeben, welche jeweils geeignet sind, den Stand der Technik zu bereichern.
-
Gelöst wird die Aufgabe durch die Merkmale der unabhängigen Ansprüche. Die nebengeordneten Ansprüche und die Unteransprüche haben jeweils optionale Weiterbildungen der Offenbarung zum Inhalt.
-
Danach wird die Aufgabe durch ein computer-implementiertes Verfahren gelöst. Das Verfahren umfasst ein Eingeben von Anforderungen an das technische System in natürlicher Sprache in ein Maschinelles-Lernmodell (ML-Modell). Das Verfahren umfasst weiterhin ein Erstellen eines vorbestimmten Standards genügenden Lastenheftes. Dieses Lastenheft umfasst ein Set an Anforderungen, welches mittels des ML-Modells basierend auf den in natürlicher Sprache in das ML-Modell eingegebenen Anforderungen an das technische System bestimmt wird. Zusätzlich umfasst das Verfahren ein Bestimmen von Tests zur automatisierten Überprüfung, ob das im Lastenheft enthaltene Set an Anforderungen von dem technischen System erfüllt wird.
-
Unter einem computer-implementierten Verfahren kann ein Verfahren verstanden werden, bei dem einer, mehrere oder alle Schritte des Verfahrens zumindest teilweise von einem Computer bzw. einer Vorrichtung zur Datenverarbeitung durchgeführt werden.
-
Für die Definition des Lastenheftes wird nach oben verwiesen.
-
Unter einem ML-Modell kann ein mittels maschinellem Lernen (ML) erhaltenes, in Software implementiertes Modell verstanden werden. ML entwickelt, untersucht und verwendet statistische Algorithmen, auch Lernalgorithmen genannt. Lernalgorithmen können Lösungen für Probleme lernen, die zu kompliziert sind, um sie mit Regeln zu beschreiben, zu denen es aber viele Daten gibt, die als Beispiele für die gewünschte Lösung dienen können. Dazu bildet ein Lernalgorithmus vorgegebene Beispieldaten auf ein mathematisches Modell ab und passt es so an die Beispieldaten an, dass es von diesen auf neue Fälle verallgemeinern kann (sog. Transfer). Dieser Vorgang wird Training genannt. Nach dem Training ist der gefundene Lösungsweg im Modell gespeichert. Das ML-Modell wird also nicht explizit programmiert. Das trainierte ML-Modell kann für neue Daten Vorhersagen treffen oder Empfehlungen und Entscheidungen erzeugen. Allgemein formuliert lernt ein Lernalgorithmus beim maschinellen Lernen aus Daten eine Funktion, die auch für neue, nicht zuvor gelernte Dateneingaben eine korrekte Ausgabe erzeugt. Es gibt verschiedene Lernstile, die sich darin unterscheiden, woher der Algorithmus beim Training Informationen dazu erhält, was „korrekt“ ist. Am häufigsten wird das überwachte Lernen eingesetzt. Dabei werden in den Daten, die zum Lernen verwendet werden, bereits korrekte Ausgabewerte zur Verfügung gestellt. Beim unüberwachten Lernen durchsuchen Algorithmen die Daten ohne vorgegebene Ausgabewerte oder Rückmeldungen beispielsweise nach Kriterien für die Einteilung in unterschiedliche Cluster oder nach korrelierenden Merkmalen, die zusammengefasst werden können, um die Daten zu vereinfachen. Da es keine Vorgaben gibt, können diese Algorithmen unterschiedliche Lösungen vorschlagen, die anschließend zu bewerten sind. Beim bestärkenden Lernen beobachten Lernsysteme, die als Agenten bezeichnet werden, eine Umgebung und reagieren auf sie, indem sie Aktionen ausführen. Für die Aktionen erhalten sie Belohnungen. Diese Lernsysteme entwickeln selbständig eine Strategie, um möglichst viele Belohnungen zu erhalten. Alle der vorgenannten Lernstile können einzeln oder in Kombination miteinander zum Erzeugen des ML-Modells genutzt werden.
-
Bei den Tests kann es sich beispielsweise um Funktions- und/oder Qualitätstests handeln.
-
Das Verfahren kann ein Durchführen der bestimmten Tests an dem technischen System umfassen.
-
Das Verfahren kann ein Anpassen des Sets an Anforderungen in dem den vorbestimmten Standards genügenden Lastenheft basierend auf einem Ergebnis der bestimmten Tests umfassen.
-
Das Verfahren kann ein Trainieren des ML-Modells basierend auf Musterlastenheften, Normen, Gesetzestexten und/oder weiteren Anforderungskatalogen umfassen, sodass das ML-Modell nach dem Trainieren zum Erstellen des vorbestimmten Standards genügenden Lastenheftes ausgestaltet ist. Denkbar ist, dass es sich bei dem technischen System um eine Komponente eines Automobils handelt.
-
Das oben Beschriebene lässt sich mit anderen Worten und auf eine mögliche konkretere Implementierung bezogen wie nachfolgend beschrieben zusammenfassen, wobei diese nachfolgenden Ausführungen als für die Offenbarung nicht einschränkend zu werten sind: Es kann ein Softwareprodukt bereitgestellt werden, welches in Zusammenspiel mit einer elektronisch ansteuerbaren Apparatur, vollautomatisch in die Lage versetzt werden kann, z.B. eine Anforderung, die in einer natürlichen Sprache akustisch bzw. schriftlich skizziert und beschrieben wurde, mittels des Einsatzes einer Mustererkennung zu qualifizieren, in eine formale Sprache umzuwandeln und zur Bestätigung mittels automatisiert ausführbaren Tests abzusichern. Hierbei kann zur Visualisierung und Nachverfolgung das automatische Erstellen von UML Behavioral Models und Zustandsautomaten aus der natürlichen Sprache mit Hilfe einer künstlichen Intelligenz KI genutzt werden. Ein Abgleich mit Musterlastenheften bzw. Musteranforderungen aus Bestandsprojekten mit Hilfe von KI und einer Gewichtung kann ebenfalls vorgesehen sein. Als Resultat können automatisch Anforderungen auf Konsistenz und Integrität geprüft werden, automatisch bzw. teilautomatisch Tests erstellt werden bzw. auf der entsprechenden automatisiert wählbaren und ansteuerbaren Testapparatur bestätigt werden. Mittels Musterkennung können die Ergebnisse und Fehler ebenfalls qualifiziert und bewertet werden, sowie automatisiert Erkenntnisse in neue Anforderungen eingearbeitet werden. Genauer gesagt kann zur Umsetzung grundsätzlich eine Mustererkennung herangezogen werden. Hierbei kann z.B. ein Text in einer natürlichen Sprache, welcher schriftlich fixiert und/oder als Tondokument vorliegt, analysiert werden. Hierbei kann nach Mustern und Schlüsselbegriffen gesucht werden, welche aus Musterlastenheften, Referenzanforderungen und mitgeltenden geprüften Entwicklungsunterlagen bekannt sind. Diese Informationen können zuvor durch den Einsatz von maschinellem Lernen antrainiert werden. Die hierbei ermittelten Muster können mit den entsprechenden Schlüsselbegriffen identifiziert und einem Anforderungsmuster zugeordnet werden. Es kann erkennbar sein, was z.B. einer Hardwareanforderung entspricht, was einer Softwareanforderung zugeordnet wird und in welche Kategorie von Anforderung und Spezifikationen der erkannte Inhalt gemäß dem erkannten Muster passt. Als Grundlage können dafür Musterlastenhefte dienen, die als Maßstab gewachsen und geprüft als Wissensdatenbank in einem Unternehmen vorhanden sind. Sind die Zuordnungen erfolgt, können zum jeweiligen Themengebiet Zustandsautomaten und Flussdiagramme erzeugt werden. Bei einer Anforderung an Hardware kann dies z.B. die automatische Umsetzung einer Lebensdauererprobung mit den richtig Schritten und der richtigen Anzahl von Testmustern gemäß Unternehmensprämissen sein. Im Fall von Software könnte es die Differenzierung von Integrationstests und Qualifikationstests betreffen. Hierbei könnten in einer hohen Abstraktionsebene die Integrationstests und Absicherung z.B. durch einen automatisiert erstellten Zustandsautomat mit den Prämissen z.B. der Datenbuskommunikation genutzt werden, um zu prüfen, ob Error-Frames die Kommunikation der Teilnehmer behindert. Im Fall einer Anforderung hinsichtlich einer z.B. Programmierverifikation / Codier-Verifikation bzw. der Anforderung von Programmiereigenschaften (z.B. gesetzlich geforderten Anforderung an Programmierfähigkeit SG) kann ein Anforderungsset automatisiert abgeleitet werden, welches dann mit einer dafür bestimmten technischen Apparatur eine Absicherungssequenz mit automatischer Umschaltung von der Testprobanden ermöglicht. Die Mustererkennung, die aus dem Wissen über Absicherung z.B. der Flashverifikation trainiert wurde, kann somit die effizientesten Testsequenzen ermitteln und ausführen. Zuvor kann in einer Feedbackschleife aufgrund der vorgesehenen Absicherungsstrategie auch automatisch Einfluss auf die Erstellung bzw. Strukturierung der Anforderung gemäß Design for testability genommen werden. Hierzu kann aus dem Softwarecode und dort beschriebener Funktionszustände eine automatisierte Ableitung entsprechend den Möglichkeiten und möglichen Zuständen auch eine entsprechende Anzahl von Testszenarien abgedeckt werden. Die Mustererkennung hilft hier die bestmöglichen Kombinationen gemäß der im Unternehmen gesetzten Prämissen zu ermitteln. Diese können Gesetzesvorgaben aber auch Unternehmensrichtlinien bzw. Sicherheitsstandards sein. Beim Ermitteln, Ergänzen und Transformieren von Anforderungen kann hierbei kontinuierlich eine automatisierte Feedbackschleife gefahren werden. Es können übergreifend über Softwareprojekte Erkenntnisse unmittelbar über einen Defekt und Änderungsmanagement zur Änderung von Anforderungen vorgeschlagen werden. Das System kann dem Anforderungsverantwortlichen somit Vorschläge unterbreiten, um die Qualität zu erhöhen und den menschlichen Fehler zu reduzieren. Wiedersprüche können schneller erkannt und Abstellmaßnahmen schneller identifiziert werden sowie aufgrund des hohen Automatisierungsgrad kontinuierlich dokumentiert und revisionssicher nachverfolgbar sein. Hierdurch kann ein signifikanter, qualitativer und monetärer Mehrwert im Gegensatz zum aktuellen Stand der Technik erreichbar sein.
-
Ferner wird eine Vorrichtung zur Datenverarbeitung bereitgestellt. Die Vorrichtung zur Datenverarbeitung zeichnet sich dadurch aus, dass sie ausgestaltet ist, um das oben beschriebene Verfahren zumindest teilweise auszuführen.
-
Ferner wird ein Computerprogramm bereitgestellt. Das Computerprogramm zeichnet sich dadurch aus, dass es Befehle umfasst, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das oben beschriebene Verfahren zumindest teilweise auszuführen.
-
Ein Programmcode des Computerprogramms kann in einem beliebigen Code vorliegen, insbesondere in einem Code, der für Steuerungen von Kraftfahrzeugen geeignet ist.
-
Ferner wird ein computerlesbares Medium bereitgestellt. Das computerlesbare Medium zeichnet sich dadurch aus, dass es Befehle umfasst, die bei ihrer Ausführung durch einen Computer diesen veranlassen, das oben beschriebene Verfahren zumindest teilweise auszuführen.
-
Das heißt, es kann ein computerlesbares Medium bereitgestellt werden, das ein oben definiertes Computerprogramm umfasst. Bei dem computerlesbaren Medium kann es sich um ein beliebiges digitales Datenspeichergerät handeln, wie zum Beispiel einen USB-Stick, eine Festplatte, eine CD-ROM, eine SD-Karte oder eine SSD-Karte.
-
Das Computerprogramm muss nicht zwingend auf einem solchen computerlesbaren Speichermedium gespeichert sein, um dem Kraftfahrzeug zur Verfügung gestellt zu werden, sondern kann auch über das Internet oder anderweitig extern bezogen werden.
-
Das oben mit Bezug zum Verfahren Beschriebene gilt analog für die Vorrichtung zur Datenverarbeitung, für das Computerprogramm und das computerlesbare Medium und umgekehrt.
-
Nachfolgend wird eine Ausführungsform mit Bezug zu 1 beschrieben.
- 1 zeigt schematisch ein Ablaufdiagramm eines offenbarungsgemäßen computer-implementierten Verfahrens.
-
In 1 ist ein Ablaufdiagramm eines computer-implementierten Verfahrens 1 schematisch und beispielhaft dargestellt.
-
Das Verfahren 1 umfasst in einem ersten Schritt 2 ein Trainieren eines ML-Modells basierend auf Musterlastenheften, Normen, Gesetzestexten und/oder weiteren Anforderungskatalogen (z. B. unternehmensinterne Vorgaben), sodass das ML-Modell nach dem Trainieren zum Erstellen eines einem vorbestimmten Standards genügenden Lastenheftes ausgestaltet ist.
-
Das Verfahren 1 umfasst in einem zweiten Schritt 3 ein Eingeben von Anforderungen an ein technisches System in natürlicher Sprache in das trainierte ML-Modell. Das heißt, es wird ein in natürlicher Sprache erstelltes Anforderungslastenheft eingegeben. Bei dem technischen System handelt es sich vorliegend um eine Komponente eines Automobils bzw. für ein Automobil (z. B. eine Umschalteinheit einer Flashverifikation bzw. eines Integrationstests).
-
Das Verfahren 1 umfasst in einem dritten Schritt 4 ein Erstellen des vorbestimmten Standards genügenden Lastenheftes, das ein Set an Anforderungen umfasst, das mittels des ML-Modells basierend auf den in natürlicher Sprache in das ML-Modell eingegebenen technischen Anforderungen an das technische System bestimmt wird.
-
Dazu kann ein Formalisieren und Gruppieren der in natürlicher Sprache eingegebenen Anforderungen erfolgen.
-
Das Verfahren 1 umfasst in einem vierten Schritt 5 ein Bestimmen von Tests zur automatisierten Überprüfung, ob das im Lastenheft enthaltene Set an Anforderungen von dem technischen System erfüllt wird. Mit anderen Worten, es werden technische Tests definiert, die es erlauben, das im Lastenheft definiert Set an Anforderungen zu überprüfen. Dies kann auch als ein Gruppieren und Ausleiten von Anforderungstests bezeichnet werden.
-
Das Verfahren 1 umfasst in einem fünften Schritt 6 ein Durchführen der bestimmen Tests an dem technischen System. Mit anderen Worten, es kann ein Ableiten von Testsequenzen und eine automatische Absicherung erfolgen.
-
Das Verfahren 1 umfasst in einem sechsten Schritt 7 ein Anpassen bzw. Optimieren des Sets an Anforderungen in dem erstellten, den vorbestimmten Standards genügenden Lastenheft basierend auf einem Ergebnis der zuvor bestimmten Tests.
-
Bezugszeichenliste
-
- 1
- Computer-implementiertes Verfahren
- 2
- Trainieren des ML-Modells
- 3
- Eingeben von Anforderungen
- 4
- Erstellen eines vorbestimmten Standards genügenden Lastenheftes
- 5
- Bestimmen von Tests
- 6
- Durchführen der bestimmen Tests
- 7
- Anpassen des Sets an Anforderungen