Fallstudie TriSE – Trends im Software Engineering
Im Projekt TriSE entwickelte fortiss für Siemens eine skalierbare, teilautomatisierte Plattform zur systematischen Analyse von Trends im Software Engineering, da die bisher manuell durchgeführten Auswertungen zu langsam und zu begrenzt waren. Die neue Lösung integriert kontinuierlich Daten aus offenen Quellen wie wissenschaftlichen Publikationen und Entwicklerplattformen und nutzt Machine-Learning-Methoden, um diese Informationen strukturiert auszuwerten und in strategisch nutzbare Erkenntnisse zu überführen.
Das Ergebnis ist ein leistungsfähiges Tool, das technologische Entwicklungen transparent macht, aufkommende Trends frühzeitig identifiziert und sowohl die Ideengenerierung als auch die Forschungs- und Innovationsplanung bei Siemens unterstützt. Damit wird die Fähigkeit des Unternehmens gestärkt, relevante Softwaretrends schneller zu erkennen, systematisch zu bewerten und gezielt in zukünftige Entwicklungs- und Entscheidungsprozesse einzubringen.
Herausforderung
Siemens identifizierte neue Trends im Software Engineering bislang überwiegend über manuell geführte Interviews. Dieser Ansatz war weder skalierbar noch ausreichend schnell, um auf neue Entwicklungen zu reagieren, und ermöglichte nur eine begrenzte Einbindung von Expert*innen.
Zudem war der bestehende Prozess durch veraltete Daten, eine eingeschränkte Abdeckung relevanter Themenfelder sowie lange Feedbackzyklen geprägt.
Lösung
fortiss entwickelte ein automatisiertes, datenbasiertes System (TriSE), das Trendanalysen kontinuierlich aktualisiert und gleichzeitig eine breitere und effizientere Einbindung von Fachwissen ermöglicht.
Die TriSE-Plattform integriert dazu öffentliche Datenquellen wie arXiv, GitHub und StackOverflow und stellt mithilfe von Machine-Learning-Methoden Trendanalysen, Wissensgraphen und intelligente Suchfunktionen bereit. Die Plattform umfasst drei zentrale Module – Relations, Statistics und Q&A – und basiert auf Technologien wie Word2Vec, BERT, Neo4j und Elasticsearch.
Ergänzend wurde eine benutzerfreundliche Oberfläche geschaffen, über die die Siemens Mitarbeitenden Themen definieren, explorieren und mithilfe generativer KI gezielt weiterentwickeln können. Durch iterative, eng mit Siemens abgestimmte Entwicklungsschritte wurde die Plattform kontinuierlich erweitert und um Echtzeit-Datenverarbeitung, KI-gestützte Wissensanreicherung und praxisnahe Analysefunktionen ergänzt.
Ergebnis
- Aufbau einer vollständig automatisierten Extract, Transform, Load (ETL)-Pipeline mit Apache Airflow zur Erfassung, Bereinigung und Anreicherung verschiedener Software-Engineering-Datenquellen
- Einführung regelmäßiger Trend-Updates sowie vierteljährlicher Aktualisierungszyklen zur Verbesserung von Relevanz und Genauigkeit der Ergebnisse
- Entwicklung eines teilautomatisierten Wissensmoduls auf Basis großer Sprachmodelle zur schnelleren Erweiterung von Themenfeldern
- Bereitstellung einer intuitiven Benutzeroberfläche zur Definition und Verwaltung von Themenbereichen inklusive der Möglichkeit zum Expertenfeedback
- Integration von Analyse- und Visualisierungstools zur Identifikation wachstumsstarker Technologien, Kategorien und ihrer Zusammenhänge
- Einführung einer „Promotion View“, die es ermöglicht, irrelevante Begriffe auszublenden und relevante Technologien oder Themen gezielt hervorzuheben
- Erweiterung der Plattform um Analysen zur Wartungs- und Aktivitätsentwicklung von Technologien (z. B. GitHub-Daten, OpenSSF-Scores, Abhängigkeitsgraphen)
- Bereitstellung praxisnaher Trendinformationen als Grundlage für zukünftige KI-gestützte Ideengenerierung und Innovationsplanung bei Siemens
Fazit
Das Projekt zeigt, dass eine skalierbare, KI-gestützte Trendanalyseplattform die Identifikation technologischer Entwicklungen deutlich beschleunigt und zugleich fundierter macht. Dadurch werden Innovationsprozesse bei Siemens effizienter gestaltet und strategische Entscheidungen auf eine breitere und aktuellere Wissensbasis gestellt.
Projektpartner
