Generative Künstliche Intelligenz (KI) erlebt aktuell einen massiven Aufschwung. Zahlreiche Unternehmen und Forschungsinstitutionen schöpfen aus dem enormen Potenzial dieser Technologie, insbesondere in Schlüsselbereichen wie der Generierung von Texten und Bildern, der automatisierten Übersetzung, der Softwareentwicklung sowie der allgemeinen Wissensarbeit.

Als zentrale Disziplin innerhalb des Softwareentwicklungsprozesses beschäftigt sie sich das Anforderungsmanagement mit der systematischen Erhebung, Analyse, Spezifikation, Modellierung und Verwaltung von Anforderungen, die den Rahmen für die Entwicklung komplexer Systeme bilden. Die hohe Komplexität von Systemen und der Vielzahl an Stakeholdern mit teils widersprüchlichen Interessen machen das Anforderungsmanagement zu einer besonders fehleranfälligen, zeitintensiven und damit kostenrelevanten Disziplin. Vor diesem Hintergrund liegt es nahe, neue Technologien zur Unterstützung einzusetzen.

Die vergangenen Artikel dieser Blogserie haben den Einsatz von generativer KI als unterstützendes Werkzeug in der Bewältigung der Aufgaben im Anforderungsmanagement beleuchtet und Stärken sowie Schwächen aufgezeigt. Dieser letzte Artikel fasst nun die wesentlichsten Erkenntnisse aus den Untersuchungen der Blogserie zusammen.

Vorgehen

Als Grundlage hat der Blogserie ein fiktives Warenwirtschaftssystem gedient, das aus drei Systemen besteht: einem Kassensystem für den Verkauf von Waren und Gütern, einem Filialensystem zur Verwaltung, Bestellung und Überwachung von Produkten sowie einem Unternehmenssystem zur Berichterstellung über mehrere Filialen hinweg. Als Eingabedaten werden unterschiedliche, manuell erstellte Dokumente genutzt, darunter Projektvorschläge, Beobachtungsprotokolle, Schnittstellenspezifikationen, unvollständige Use-Case-Diagramme sowie Mockups. Diese Dokumente liegen in verschiedenen Dateiformaten vor (z. B. DOCX, PNG, YAML, PDF) und werden ChatGPT als Grundlage für das Anforderungsmanagement übergeben. Die Ergebnisse werden in einem auswertbaren CSV-Format bereitgestellt.

Um die Ergebnisse möglichst objektiv bewerten zu können, sind für jede Teildisziplin spezifische Messkriterien entwickelt worden. Die Teildisziplinen sind einzeln bewertet worden und die Ergebnisse können in separaten Artikeln nachvollzogen werden. Die Resultate der Blogartikel werden anschließend in einem abschließenden Artikel aggregiert, mit dem Ziel, eine ganzheitliche Einschätzung des Potenzials generativer KI im Anforderungsmanagement zu treffen.

Abschließende Bewertung

Kritik am eigenen Vorgehen

Die Bewertung generativer KI im Anforderungsmanagement ist nicht frei von methodischen Herausforderungen. Objektivität lässt sich schwer erreichen, da auch bei klar definierten Bewertungsskalen Interpretationsspielräume bestehen. Zudem ist es problematisch, Messkriterien universell anzuwenden, da Anforderungen je nach Kontext unterschiedliche Eigenschaften besitzen und damit auch hier Raum für Interpretationen lassen. Darüber hinaus ist ein fester Katalog an Bewertungskriterien etabliert worden, der keinen Anspruch auf Vollständigkeit hat; weitere Dimensionen lassen sich jederzeit berücksichtigen. Auch die manuelle Überprüfung aller Anforderungen hat sich als arbeitsintensiv und fehleranfällig erwiesen. Schließlich hat sich gezeigt, dass die Eingangsdokumente stärker auf Soll- und Kann-Anforderungen hätten fokussieren sollen, um der KI eindeutige Signale zur Priorisierung zu geben. Ebenso hätten Signalwörter in den Eingabedokumenten eingesetzt werden können, aus denen die KI auf Bedingungen oder Auslöser für Anforderungen reagieren kann.

Zusammenfassung des Fazit

ChatGPT zeigt besondere Stärken bei der strukturierten und konsistenten Formulierung von Anforderungen. Es gelingt ihm, auch ohne vordefinierte Schablonen nachvollziehbare Dokumente mit vollständigen Metadaten zu erstellen. Positiv hervorzuheben ist die Fähigkeit, redundante Inhalte zu erkennen, sprachliche Konsistenz herzustellen und den Dokumentationsaufwand deutlich zu verringern. Auch im kreativen Bereich erweist sich die KI als hilfreich, da sie Ideen generieren und erste Modelle zur Diskussion anstoßen kann.

Dennoch werden Schwächen deutlich. Viele Anforderungen werden nicht atomar formuliert, sondern enthalten mehrere Funktionen. Uneinheitliche Benennungen führen zu Mehrdeutigkeiten und erzeugte Modelle erfüllen zwar formale Standards, sind inhaltlich jedoch reduziert oder unvollständig gewesen. Zudem neigt die KI dazu, Inhalte durch Platzhalter zu ersetzen. Implizite Bedingungen und Priorisierungen können nicht zuverlässig erkannt werden, sodass weiterhin menschliche Interpretation und Nacharbeit erforderlich ist.

Abschließendes Fazit

Aus den Beobachtungen lässt sich schließen, dass ChatGPT ein wertvolles Werkzeug zur Unterstützung im Anforderungsmanagement sein kann, insbesondere bei der Automatisierung repetitiver Aufgaben, der Strukturierung von Anforderungen sowie der sprachlichen Vereinheitlichung. Die KI trägt dazu bei, die Qualität der Dokumentation zu steigern und die Effizienz zu erhöhen. Gleichzeitig stößt sie an Grenzen, wenn es um die korrekte inhaltliche Priorisierung, die atomare Formulierung von Anforderungen, erkennen und wiedergeben impliziten Wissens sowie die vollständige Modellierung geht. Diese Bereiche erfordern nach wie vor die Expertise von Anforderungsspezialisten.

Empfehlung

Generative KI sollte im Anforderungsmanagement gezielt als unterstützendes Werkzeug eingesetzt werden. Ihre Vorteile liegen in der schnellen Erstellung strukturierter Anforderungsdokumente, der Reduzierung von Redundanzen, der Vereinheitlichung von Sprache sowie der Automatisierung von Routineaufgaben. Herausforderungen bestehen jedoch in der Sicherstellung von Präzision, Eindeutigkeit und Vollständigkeit.

Generative KI sollte nicht verwendet werden, um von der grünen Wiese aus die Arbeit eines Anforderungsspezialisten abzunehmen, sondern sie zu unterstützen. Die Anwendungsfälle sollen sich auch genau auf diese Unterstützung anlehnen, nämlich:

Um Schwächen der generativen KI abzufedern, sind klare Prompts notwendig, z.B. Grundlagen einzufordern, wie Atomarität von Anforderungen oder Änderungen an den Anforderungen durch die KI stets nachvollziehbar an den Anforderungen zu dokumentieren. Des Weiteren können Konzepte, wie das Einsetzen von Wissensbasen für konsistente Benennungen, hilfreich sein.

Im Rahmen dieser Blogserie hat es ein Release des 5er Sprachmodells von ChatGPT gegeben. Damit jedoch die Ergebnisse der einzelnen Artikel vergleichbar sind, sind die Prompts auf dem Modell in der Version 4o geblieben. Ob Ergebnisse mit dem aktuelleren Modell besser sind, ist spekulativ. Dennoch verspricht das neue Modell, weniger Halluzinationen zu haben, noch größere Datenmengen verarbeiten zu können als das Vorgängermodell und konsistentere Ausgaben durch bessere Selbst-überprüfungen zu generieren.

Werden diese Rahmenbedingungen geschaffen, kann GenAI die Arbeit von Anforderungsspezialisten nicht ersetzen, wohl aber erheblich erleichtern und qualitativ bereichern.

Der Beitrag Das Potenzial von generativer KI im Anforderungsmanagement – Teil 6 erschien zuerst auf Masoona Consulting.

Die Anforderungsmodellierung ist eine zentrale Disziplin des Anforderungsmanagements. Sie befasst sich mit der systematischen Erfassung, Strukturierung und Visualisierung von Anforderungen an ein Softwaresystem. Während die Anforderungserhebung vor allem auf das Sammeln und Dokumentieren von Informationen abzielt, konzentriert sich die Anforderungsmodellierung darauf, diese Informationen in formale oder semi-formale Modelle zu überführen. Ziel ist es, die Komplexität zu reduzieren, ein gemeinsames Verständnis zwischen Stakeholdern und Entwicklungsteams zu schaffen und eine Grundlage für weitere Entwicklungsphasen zu bieten.

Wichtig für eine erfolgreiche Anforderungsmodellierung sind insbesondere die Einhaltung etablierter Notationen (z. B. UML2), die Präzision der Darstellung sowie die Konsistenz und Vollständigkeit der Modelle. Nur so können die Modelle als belastbare Grundlage für Architektur- und Implementierungsentscheidungen genutzt sowie als Spezifikation für Umsetzung werden. Weniger formale Modelle dienen hingegen eher dem Zusammenfassen von Informationen in einer so geeigneten Weise, dass sich Anforderungsspezialisten, Stakeholder und Entwickler korrekt verständigen können.

Vor dem Hintergrund der wachsenden Bedeutung von Generativer Künstlicher Intelligenz (GenAI) stellt sich die Frage, inwiefern diese Technologien die Anforderungsmodellierung unterstützen können. Ziel dieses Beitrags ist es daher, das Potenzial von GenAI in diesem Kontext anhand eines konkreten Beispiels kritisch zu untersuchen.

Ausgangslage

Als Beispiel dient ein fiktives Warenwirtschaftssystem, das aus drei wesentlichen Bereichen besteht: einem Kassensystem für den Verkauf von Waren, einem Filialensystem zur Verwaltung, Bestellung und Überwachung von Produkten sowie einem Unternehmenssystem, das Berichte aus den Filialdaten erstellt. Grundlage der Untersuchung sind manuell erstellte, fiktive Dokumente wie Projektvorschläge, Beobachtungsprotokolle, Schnittstellenspezifikationen, unvollständige Use-Case-Diagramme und Mockups. Diese Dokumente liegen in unterschiedlichen Formaten vor (z. B. DOCX, PNG, YAML, PDF) und werden einem generativen KI-Modell (ChatGPT-4o) übergeben. Ziel ist es, zu evaluieren, ob und in welcher Qualität die KI aus diesen Eingaben verschiedene Modelltypen erstellen kann.

Vorgehen

Die Bewertung der Ergebnisse erfolgt anhand ausgewählter Kriterien. Zunächst werden unterschiedliche Diagrammtypen durch die KI erzeugt, darunter Komponentendiagramme, Klassendiagramme, Use-Case-Diagramme, Anforderungsdiagramme und Aktivitätsdiagramme. Alle Modelle werden durch die KI als Mermaid-Code generiert und anschließend visualisiert. Es handelt sich hierbei um sehr einfach lesbaren und interpretierbaren Code mit der Möglichkeit, diesen auszutauschen sowie zu visualisieren. Ebenfalls wird die KI auch aufgefordert, ein UML Modell als XMI auszugeben, da dieses einen hohen Spezifikationsgrad hat und sich damit als Grundlage der Softwareentwicklung versteht.

Die Analyse beider erzeugten Modelle erfolgt auf Basis folgender Kriterien:

Nach einer ersten Begutachtung werden die größten Schwachstellen identifiziert und die KI gebeten, Korrekturen vorzunehmen. Damit soll überprüft werden, inwiefern die KI auf Feedback reagiert und ihre Ergebnisse verbessern kann.

Ergebnisse

Die Modelle bzw. Diagramme, die mit Mermaid-Code erstellt worden sind, sind zur UML2 nicht konform, da zum einen nicht alle Diagrammtypen unterstützt werden und zum anderen Mermaid nicht für den Zweck einer Spezifikation geschaffen ist. Im Folgenden werden die Ergebnisse der einzelnen Diagrammtypen vorgestellt und verdeutlichen die Stärken und Schwächen von GenAI in der Anforderungsmodellierung.

Komponentendiagramm

Das von der KI erzeugte Komponentendiagramm als XMI entspricht dem UML2-Standard, ist aber sehr reduziert in der Darstellung der Abhängigkeiten. Das nicht UML2-konforme in Mermaid generierte Diagramm erlaubt jedoch einen Einblick in Abhängigkeiten der Module. Mehrere neue Module werden hinzugefügt, deren Existenz nicht in den Quelldokumenten belegt ist. Nachstehende Tabelle vergleicht Module in den Anforderungen und Module, welche sich im Diagramm wiederfinden:

Im Vergleich der identifizierten Module und der modellierten beziehen sich Lagerwirtschaft und Einkauf & Lagerorganisation vermutlich auf das identifizierte Modul Lager & Warenwirtschaft, ist aber nicht klar ersichtlich. Im Diagramm vereint die neue Modulbezeichnung Infrastruktur die zuvor in den Anforderungen identifizierten Module Systemarchitektur und Stammdatenverwaltung. Alle drei Bezeichnungen sind nicht aussagekräftig und verschleiern, welche Geschäftsbereiche sie abdecken. Bei Stammdaten ist auch nicht klar, ob die Daten der Mitarbeiter oder der Kunden gemeint sind. Da hierzu nichts in den Eingabedokumenten erwähnt ist, ist die Modellierung des Moduls Stammdatenverwaltung fraglich und muss geklärt werden. Auch nicht eindeutig übereinstimmend sind Business Analytics und Analytics & Marketing. Es ist anzunehmen, dass hier das gleiche Modul gemeint ist. Positiv ist hervorzuheben, dass viele Kernmodule korrekt identifiziert und miteinander in Beziehung gesetzt werden.

Use-Case-Diagramm

Sowohl für das UML2-konforme als auch das Mermaid-Modell gilt: Die Akteure werden zuverlässig erkannt, während die Use Cases dagegen unvollständig sind, denn 14 Anforderungen können keinem Anwendungsfall zugeordnet werden. Zu diesen nicht verknüpften Anforderungen zählen:

Vererbungsbeziehungen oder Extensions werden nicht modelliert – vermutlich, weil sich dies aus den gefundenen Anforderungen und den Quelldokumenten nicht ergibt.

Die KI wird zu einer erneuten Ausführung gebeten, um fehlende Zuordnungen von Anforderungen zu Anwendungsfällen zu ergänzen, was sie auch umsetzt. Insgesamt entsteht ein brauchbarer, aber nicht vollständiger Überblick über das Systemverhalten.

Das UML-Modell erfüllt zwar den Standard, enthält aber gegenüber dem Mermaid-Modell keine Beziehungen zwischen Akteuren und Anwendungsfällen. Der generierte Mermaid-Code hingegen kann nicht visualisiert werden, da Use Cases nicht als Diagrammtyp unterstützt sind. Hier kann nur die Bedeutung des Mermaid-Codes bewertet werden.

Klassendiagramm

Die Klassendiagramme, sowohl im Mermaid-Code als auch in XMI, sind syntaktisch korrekt und geben einen detaillierten Einblick in das System, besonders im Bereich Lager und Bestand.

Ein großer Unterschied beider Modelle ist allerdings, dass das Modell der XMI nur 8 Klassen mit 3 Assoziationen erzeugt, während der Mermaid-Code aus den gleichen Eingabedaten ein Modell mit 23 Klassen und zahlreichen sinnvollen Attributen, Methoden und Assoziationen mit Rollenbeschreibungen erzeugt. Letzteres sind Details an Assoziationen, auf die im UML-Modell verzichtet wird.

Bei weiterer Betrachtung des Mermaid-Modells ist zu erkennen: Vererbungen, Sichtbarkeiten und Multiplizitäten werden eingesetzt. Allerdings sind semantische Details problematisch: Manche Beziehungen sollten besser als Aggregation oder Komposition modelliert werden,  was die KI nicht leistet. Attribute und Methoden sind plausibel, teils jedoch spekulativ, sodass eine manuelle Prüfung und ein Hinterfragen dieser Angaben durch den Anforderungsspezialisten notwendig ist.

Aktivitätsdiagramm

Die erzeugten Aktivitätsdiagramme in UML und Mermaid zeigen die grundlegenden Abläufe. Besonders problematisch ist die fehlerhafte Modellierung von Entscheidungsknoten und Parallelisierungen. So haben Entscheidungen teilweise nur einen Alternativablauf und Parallelisierungen werden nicht korrekt synchronisiert. Manche Abläufe terminieren nicht im Ende der Aktivität. Insgesamt hat die KI zu viele Abläufe als relevant erachtet und versucht, in einem Ablauf zu modellieren. Grund hierfür ist der Prompt, welcher nach einem Diagramm mit relevanten Abläufen gefragt hat. Nach Feedback zu den Schwachpunkten und der Bitte um mehr Fokus auf einen bestimmten Ablauf kann die KI mit dem verbesserten Prompt das Diagramm verbessern, etwa durch die Einführung von Swimlanes und konsistentere Entscheidungsstrukturen. Dennoch bleibt die Darstellung in Teilen unsauber, z.B. wegen anhaltender fehlerhaft zusammengeführter Parallelisierungen oder unklare Aktivitätsbezeichnungen, wie „Alle Prozesse abgeschlossen“. Während nach dem Feedback an die KI das UML-Modell zwar konform zur Notation bleibt, zeigt es jedoch gegenüber des in Mermaid erstellten Modells keine Swimlanes und auch keine Guards an Kanten einer Entscheidung.

Anforderungsdiagramm

Die Anforderungsmodellierung der generativen KI in Mermaid hat jede Anforderung isoliert mit ID, Titel und Priorität modelliert und visualisiert, ohne Berücksichtigung von Beziehungen, Abhängigkeiten oder Testfällen. Diese Elemente fehlen oder können nicht aus den Eingabedokumenten abgeleitet werden. Obwohl das Diagramm korrekt ist, mangelt es ihm an Aussagekraft. Da kein Anforderungsdiagramm in UML2 existiert, wird keines generiert.

Fazit

Die Untersuchung zeigt, dass der Einsatz generativer KI in der Anforderungsmodellierung Chancen, aber auch klare Grenzen hat.

Darüber hinaus lassen sich weitere Schlussfolgerungen ziehen:

Insgesamt zeigt sich, dass generative KI in der Anforderungsmodellierung aktuell eher als unterstützendes Werkzeug und Ideengeber einsetzbar ist, nicht jedoch als Ersatz für menschliche Expertise.

Der Beitrag Das Potenzial von generativer KI in der Anforderungsmodellierung – Teil 5 erschien zuerst auf Masoona Consulting.

Das Anforderungsmanagement ist ein zentraler Bestandteil der Softwareentwicklung und umfasst alle Aktivitäten, die sich mit der Erhebung, Analyse, Dokumentation und Verwaltung von Anforderungen an ein System beschäftigen. Eine der wichtigsten Disziplinen innerhalb dieses Prozesses ist die Anforderungsspezifikation. Sie hat die Aufgabe, die ermittelten Anforderungen in einer strukturierten, nachvollziehbaren und überprüfbaren Form festzuhalten. Dabei ist entscheidend, dass Anforderungen verständlich, eindeutig, widerspruchsfrei und vollständig beschrieben sind, um spätere Missverständnisse, teure Korrekturen oder Projektabbrüche zu vermeiden.

Generative Künstliche Intelligenz (GenAI) eröffnet neue Möglichkeiten, diese Aufgabe zu unterstützen. Sprachmodelle können dabei helfen, unstrukturierte Eingaben zu analysieren, konsistente Anforderungstexte zu formulieren und die Dokumentation zu standardisieren. Ziel dieses Beitrags ist es daher, zu untersuchen, wie GenAI konkret bei der Anforderungsspezifikation eingesetzt werden kann und welche Chancen und Grenzen sich daraus ergeben.

Ausgangslage

Als Beispiel dient ein fiktives Softwaresystem aus dem Bereich der Warenwirtschaft. Dieses umfasst drei zentrale Komponenten:

Die Eingaben für die Spezifikation bestehen aus einer Vielzahl an manuell erstellten, fiktiven Dokumenten in unterschiedlichen Formaten, darunter Projektvorschläge (docx), Beobachtungsprotokolle (pdf), Schnittstellenspezifikationen (yaml), Mockups (png) sowie unvollständige Use-Case-Diagramme. Diese Daten werden einem generativen Sprachmodell (ChatGPT-4o) übergeben, um daraus Anforderungen in einem standardisierten, sowohl lesbaren als auch maschinell auswertbaren CSV-Format zu erzeugen.

Vorgehen

Um die Qualität der durch die KI erzeugten Anforderungen möglichst objektiv zu bewerten, werden etablierte Kriterien aus der Anforderungsanalyse herangezogen. Dazu zählen insbesondere:

Jede identifizierte Anforderung wird auf einer Skala von 0 (= nicht zutreffend) bis 2 (= zutreffend) in den genannten Kategorien bewertet und der Erfüllungsgrad in Prozent zu der jeweils maximal erreichbaren Punktzahl ausgedrückt. Anschließend wird die KI erneut eingesetzt, um erkannte Schwachstellen gezielt zu korrigieren.

Ergebnisse

Verständlichkeit

88 % der Anforderungen wurden als verständlich eingestuft. 

Korrektheit

95 % der Anforderungen gaben die Sachverhalte korrekt wieder.

Eindeutigkeit

73 % der Anforderungen werden als eindeutig bewertet.

Vollständigkeit

71 % der Anforderungen sind vollständig beschrieben.

Widerspruchsfreiheit

52 % der Anforderungen sind widerspruchsfrei.

Verfolgbarkeit

Die im Prompt geforderte Struktur (ID, Titel, Anforderungstext, Priorität, Kategorie, Modul, Status, Autor, Modelle, Quellen, Testfälle, Stakeholder und Änderungen) hat die generative KI eingehalten ist vollständig ausgefüllt ausgefüllt worden.

Erneuter Prompt für Verbesserungen

Betrachtet man die Anforderungsspezifikation im Lichte des Standards IEEE 830 – Recommended Practice for Software Requirements Specifications, so wird deutlich, dass die erzeugten Anforderungen noch weiter verfeinert werden sollten, um eindeutiger, überprüfbarer und verständlicher zu sein. Eine nach IEEE 830 strukturierte Spezifikation umfasst über die Anforderungen hinaus typischerweise:

Eine vollständige Umsetzung nach IEEE 830 ist im vorliegenden Szenario zwar nicht gefordert gewesen, dennoch zeigt sich, dass ein entsprechender Prompt, wie Anforderungen nach IEEE 830 aussehen würden, das Ergebnis erheblich verbessert. So erzeugt die KI bei explizitem Bezug auf den Standard bereits Vorschläge für Eingaben, Ausgaben, den Zweck einer Anforderung sowie mögliche Verifikationsmethoden. Allerdings bleiben diese Angaben auf einer sehr abstrakten Ebene, sind nicht vollständig oder frei erfunden. Zum Beispiel leitet die KI ab, dass die Verarbeitung des Verkaufs in weniger als 2 Sekunden abgehandelt sein soll. Eine nichtfunktionale Anforderung, die nicht aus den Quellen hervorgeht. Als Testfall hat die KI beispielsweise generiert, das ein Kassiervorgang mit Barzahlung erfolgreich abgeschlossen sein soll. Was jedoch den Erfolg hier kennzeichnet bleibt unkonkret. Jedoch fordern die generierten Testfälle den Anforderungsspezialisten heraus, die gefundenen Anforderungen zu hinterfragen und sie unter Umständen zu verfeinern.

Fazit

Die Ergebnisse zeigen, dass generative KI in der Lage ist, Anforderungen in einer gut strukturierten und konsistenten Form zu erzeugen, selbst ohne die Verwendung vordefinierter Textschablonen (z. B. nach den Sophisten). Funktionalitäten, Systeme oder Stakeholder können aus den strukturierten Texten leicht identifiziert werden. Zudem werden sämtliche Metadaten – wie IDs, Prioritäten, Kategorien, Herkunft und Quellen sowie Verknüpfungen mit Diagrammen oder Modellen – zuverlässig dokumentiert.

Herausfordernd bleibt jedoch, dass viele Anforderungen nicht atomar formuliert sind und Aufzählungen mehrerer Funktionen enthalten. Auch uneinheitliche Benennungen führen zu Mehrdeutigkeiten, welche die Verständlichkeit mindern.

Darüber hinaus lassen sich folgende weiterführende Erkenntnisse ableiten:

Insgesamt zeigt sich, dass generative KI ein wertvolles Werkzeug zur Unterstützung in der Anforderungsspezifikation darstellt, jedoch kein Ersatz für die fachliche Expertise und die kritische Bewertung durch Anforderungsspezialisten ist.

Der Beitrag Das Potenzial von generativer KI in der Anforderungsspezifikation – Teil 4 erschien zuerst auf Masoona Consulting.

Das Anforderungsmanagement beschäftigt sich mit der systematischen Erfassung, Dokumentation und Verwaltung von Anforderungen an ein zu entwickelndes System. Ziel ist es, sicherzustellen, dass das entstehende Produkt den Bedürfnissen und Erwartungen der Stakeholder entspricht. Eine zentrale Disziplin innerhalb dieses Prozesses ist die Anforderungserhebung, also die strukturierte Sammlung und Formulierung von Anforderungen aus unterschiedlichen Quellen, wie bereits im Überblicksartikel erwähnt worden ist.

Für die erfolgreiche Anforderungserhebung sind mehrere Faktoren entscheidend: Einerseits muss eine möglichst vollständige Sammlung relevanter Informationen gewährleistet sein. Andererseits kommt es darauf an, die erhobenen Anforderungen klar und präzise zu formulieren, um spätere Missverständnisse und Implementierungsfehler zu vermeiden.

Vor diesem Hintergrund stellt sich die Frage, wie Generative KI die Anforderungserhebung unterstützen kann. Insbesondere interessiert, ob sie in der Lage ist, aus den heterogene Eingabedokumente Anforderungen abzuleiten und konsistent zu formulieren, um so Arbeitsaufwand für Requirements Engineers zu reduzieren.

Ausgangslage

Im untersuchten Szenario ist  ein fiktives Warenwirtschaftssystem als Beispiel herangezogen worden. Dieses umfasst drei Ebenen:

Als Eingaben dienen manuell erstellte, fiktive Dokumente wie Projektvorschläge, Beobachtungsprotokolle, Schnittstellenspezifikationen, unvollständige Use-Case-Diagramme oder Mockups. Diese lagen in unterschiedlichen Formaten vor (z. B. DOCX, PNG, YAML, PDF). Die Dokumente sind einem generativen Sprachmodell (ChatGPT 4o) übergeben worden, um daraus Anforderungen in ein strukturiertes, auswertbares CSV-Format zu überführen.

Vorgehen

Um die Ergebnisse möglichst objektiv zu bewerten, werden die Ausgaben anhand definierter Kriterien untersucht. Zunächst erfolgt ein Abgleich der von ChatGPT erhobenen Anforderungen mit den manuell erhobenen Anforderungen. Anschließend wird die KI gebeten, identifizierte Schwächen zu korrigieren.

Vollständigkeit der Anforderungen

Die Vollständigkeit der durch die KI entdeckten Anforderungen wird mit einem Abgleich gegenüber zuvor händisch erhobenen Anforderungen erzielt. Dabei werden Abweichungen in der Formulierung oder ein gewisser Interpretationsspielraum toleriert, solange der Kerninhalt vergleichbar bleibt.

Sprache der Anforderungen

Ein weiterer Fokus liegt auf der sprachlichen Konsistenz der Anforderungen. Als Maßstab gilt eine Ähnlichkeit zwischen Anforderungspaaren, wenn für ein bestimmtes Konzept konsistent dieselben Begriffe verwendet werden. Abweichungen entstehen insbesondere dann, wenn die KI alternative Begriffe oder unspezifische Formulierungen einsetzt.

Ergebnisse

Die manuelle Erhebung ergibt insgesamt 72 Anforderungen. Die KI hat zunächst 40 Anforderungen extrahieren können, von denen 9 nicht korrekt aus den Quelldokumenten abgeleitet sind. Eine detaillierte Analyse ergibt mehrere Ursachen:

Im weiteren Verlauf zeigten sich Stärken und Schwächen in der Zusammenarbeit mit der KI:

Fazit

Das Experiment zeigt, dass Generative KI in der Anforderungserhebung ein wertvolles Assistenzwerkzeug sein kann, insbesondere bei:

Allerdings bestehen deutliche Einschränkungen:

Insgesamt lässt sich festhalten: ChatGPT und vergleichbare Modelle eignen sich weniger als autonome Anforderungserheber, sondern vielmehr als dialogorientierte Assistenten. Im Zusammenspiel mit menschlicher Expertise können sie das Requirements Engineering durch Strukturierung, Vorschläge und Validierung sinnvoll ergänzen, jedoch nicht ersetzen.

Der Beitrag Das Potenzial von generativer KI in der Anforderungserhebung – Teil 3 erschien zuerst auf Masoona Consulting.

Das Anforderungsmanagement ist eine zentrale Disziplin in der Softwareentwicklung. Es umfasst alle Aktivitäten, die notwendig sind, um Anforderungen an ein System systematisch zu erheben, zu dokumentieren, zu prüfen und im Entwicklungsprozess fortlaufend zu pflegen. Eine wesentliche Teildisziplin innerhalb des Anforderungsmanagements ist die Anforderungsanalyse.

Die Anforderungsanalyse hat das Ziel, die Bedürfnisse und Erwartungen der Stakeholder präzise zu erfassen und in verständliche, überprüfbare sowie konsistente Anforderungen zu überführen. Dabei spielen mehrere Faktoren eine Rolle: die Eindeutigkeit der Formulierungen, die Nachvollziehbarkeit der Prioritäten, die Vermeidung von Redundanzen sowie die klare Zuordnung zu Stakeholdern.

Im vorliegenden Beitrag – aus der Serie mehrerer Artikel – soll untersucht werden, wie generative KI, konkret ChatGPT, in der Anforderungsanalyse eingesetzt werden kann. Das Ziel ist es herauszufinden, in welchen Bereichen eine Unterstützung sinnvoll möglich ist, wo Grenzen bestehen und welche Schlüsse sich daraus für die zukünftige Praxis ziehen lassen.

Ausgangslage

Als Grundlage dient ein fiktives Beispielprojekt: Ein Warenwirtschaftssystem, bestehend aus

Als Eingabedaten stehen verschiedene Dokumente zur Verfügung, darunter Projektvorschläge, Beobachtungsprotokolle, Schnittstellenspezifikationen, unvollständige Use-Case-Diagramme und Mockups. Diese liegen in heterogenen Dateiformaten wie .docx, .png, .yaml oder .pdf vor.

Die Dokumente werden an ChatGPT (Version 4o) übergeben. Als Ausgabe wird ein CSV-Format gewählt, das sowohl menschenlesbar als auch in gängigen Tabellentools weiterverarbeitbar ist.

Vorgehen

Um die Ergebnisse möglichst objektiv beurteilen zu können, erfolgt die Bewertung anhand nachstehender definierter Kriterien. In einem zweiten Schritt wird die KI gezielt mit den erkannten Schwächen konfrontiert und gebeten, Korrekturen vorzunehmen.

Bewertung der Relevanz

Die Relevanz von Anforderungen wird anhand zweier Kriterien überprüft:

1. Stakeholder-Zuordnung: Jede Anforderung sollte einer Interessengruppe zugeordnet sein. Bewertet wurde auf einer Skala von 0 (keine Angabe) bis 2 (korrekte Stakeholder-Angabe).
2. Einschätzung der Wichtigkeit: Dies umfasst sowohl die Priorisierung in Muss-, Soll-, Kann-Anforderungen.

Bewertung der Redundanz

Um Redundanzen zu identifizieren, werden die Anforderungen paarweise miteinander verglichen und bewertet. Die Bewertung geschieht anhand der nachstehenden Kategorisierung. Demnach können Anforderungen

sein.

Ergebnisse

Relevanzbewertung

Die korrekte Stakeholder-Zuordnung hat ChatGPT in 66 % der Fälle erreicht. Fehler sind insbesondere dadurch entstanden, dass

Nach einer Korrekturschleife sind diese Mängel behoben worden. Die KI hat Namen durch passende Rollen ersetzt und Stakeholder für Dokumente ergänzt, in denen diese nur indirekt zu erkennen gewesen sind, etwa bei Schnittstellenspezifikationen oder Mockups.

Die Bewertung der Priorität ist deutlich schwächer ausgefallen: Nur 51 % der Anforderungen sind korrekt priorisiert. Häufige Probleme sind:

Auch nach weiteren Korrekturanweisungen bleibt die Qualität unbefriedigend. Die KI hat meist nur die Prioritätsstufen geändert, ohne die Anforderungstexte sprachlich zu präzisieren.

Redundanzbewertung

Bei der Redundanzanalyse zeigen die von ChatGPT genrierten Anforderungen deutlich bessere Ergebnisse. Von 1.225 möglichen Anforderungspaaren werden

Funktional gleiche Anforderungen stammen häufig aus unterschiedlichen Quelldokumenten, und werden daher mehrfach aufgeführt, ohne das bei bestehenden Anforderungen eine weiter Quelle ergänzt worden ist. Die ähnlichen Anforderungen lassen sich darauf zurückführen, dass Anforderungen nicht atomar formuliert gewesen sind und Aufzählungen von Eigenschaften des Softwaresystems enthalten haben.

Eine erneute KI-gestützte Prüfung hat zehn redundante Anforderungskandidaten identifiziert, welche die Anzahl funktional gleicher Anforderungspaare gesenkt hat. Die durch die KI entdeckten Redundanzen decken sich mit einer manuellen Überprüfung der von der KI identifzierten Anforderungen. Die KI Unterstützung ist in diesem Fall zuverlässig gewesen.

Fazit

Die Untersuchung zeigt, dass der Einsatz generativer KI in der Anforderungsanalyse sowohl Chancen als auch Grenzen mit sich bringt:

Weiterführende Überlegungen

Neben den genannten Aspekten ergeben sich weitere Schlussfolgerungen:

Zusammenfassend lässt sich festhalten: ChatGPT ist ein nützlicher Begleiter in der Anforderungsanalyse, insbesondere bei der Redundanzprüfung und in der Unterstützung bei Stakeholder-Zuordnungen. Schwächen bestehen vor allem bei der Priorisierung, da diese nicht allein aus Dokumenten abgeleitet werden kann. Generative KI ersetzt die Expertise menschlicher Analyst:innen nicht, bietet jedoch wertvolle Unterstützung, indem sie Routineaufgaben automatisiert und erste Analysen beschleunigt.

Der Beitrag Das Potenzial von generativer KI in der Anforderungsanalyse – Teil 2 erschien zuerst auf Masoona Consulting.

Generative Künstliche Intelligenz (KI) erlebt derzeit einen starken Aufschwung – viele Unternehmen und Forschungseinrichtungen erkennen ihr Potenzial, vor allem in Bereichen wie Text- und Bildgenerierung, automatisierter Übersetzung, Softwareentwicklung und Wissensarbeit. So ergab eine Studie zur generativen KI in der deutschen Wirtschaft 2025, dass 91 % der befragten Unternehmen generative KI inzwischen als geschäftskritisch betrachten und 82 % ihre KI-Budgets erhöhen wollen. Generative KI-Modelle (z. B. Large Language Models wie ChatGPT) können große Mengen an unstrukturierten oder teilstrukturierten Daten verarbeiten, Muster erkennen, Texte automatisch generieren oder zusammenfassen. Vor diesem Hintergrund stellt sich die Frage: Inwieweit können generative KI-Modelle wie ChatGPT gezielt die Aufgaben im Anforderungsmanagements unterstützen? Besonders relevant sind dabei:

Anforderungsmanagement ist eine zentrale Disziplin im Software- und Systems Engineering. Es umfasst die systematische Erhebung, Analyse, Dokumentation, Modellierung, Validierung und Verwaltung von Anforderungen, die den Rahmen für die Entwicklung komplexer Systeme bilden. Ziel ist es, die Erwartungen der Stakeholder zu verstehen, diese in klare und überprüfbare Anforderungen zu überführen und ihre Umsetzung über den gesamten Lebenszyklus zu steuern. Entscheidend ist dabei nicht nur die Vollständigkeit und Nachvollziehbarkeit der Anforderungen, sondern auch ihre Konsistenz und Realisierbarkeit.

Im Anforderungsmanagement existieren verschiedene Teildisziplinen, die sich in ihren Aufgaben und Zielen ergänzen (vgl. Ebert, Systematisches Requirements Engineering: Anforderungen ermitteln, dokumentieren, analysieren und verwalten):

Für die Beantwortung der Frage, inwiefern eine KI unterstützen kann, betrachtet eine Reihe von Artikeln die einzelnen Teildisziplinen im Detail und gibt Aufschluss über die Potentiale, Chancen und Herausforderungen im Einsatz generativer KI in den Teildisziplinen des Anforderungsmanagement. Allen Artikeln liegt ein fiktives Beispiel zugrunde, das nachfolgend beschrieben wird. Den Abschluss bildet ein Artikel, der alle Ergebnisse zusammenfässt und die Betrachtung der Unterstützung durch eine generative KI mit einem Fazit abschließt.

Vorgehen

Anforderungserhebung anhand eines Beispielsystems

Zur Untersuchung der Potenziale wird ein fiktives Beispielsystem angenommen. Dieses umfasst ein einfaches Warenwirtschaftssystem mit drei zentralen Komponenten:

Dokumente für die Anforderungserhebung

Als Eingaben werden unterschiedliche, fiktive Dokumente erstellt, die typischerweise im Rahmen realer Projekte vorliegen können. Dazu zählen etwa Projektvorschläge, Beobachtungsprotokolle von Filial- oder Lagerarbeitern, Schnittstellenspezifikationen, unvollständige Use-Case-Diagramme oder erste Entwürfe von Benutzeroberflächen. Die Dokumente existieren bewusst in verschiedenen Dateiformaten – darunter docx, png, yaml und pdf. Ein Dokument liegt in handschriftlicher Form vor, wodurch eine direkte maschinelle Verarbeitung erschwert werden soll.

Auswahl der KI

Für die Untersuchung wird ChatGPT als generative KI ausgewählt. Zum Zeitpunkt der Durchführung der Bewertungen steht das Modell GPT-4o zur Verfügung, das durchgängig eingesetzt worden ist.

GPT-4o ist kein auf Anforderungsmanagement trainiertes Modell. Es verfügt daher nicht über tiefes Fachwissen zu branchenspezifischen Prozessen, Terminologien oder regulatorischen Rahmenbedingungen. Dennoch kann gerade diese breite und vielseitige Ausrichtung von Vorteil sein: Das Modell bringt ein großes Sprachverständnis mit, ist flexibel einsetzbar und kann Inhalte aus sehr unterschiedlichen Dokumentenformaten verarbeiten. Damit eignet es sich gut, um heterogene Eingaben zunächst strukturiert aufzubereiten. Für eine präzisere Anpassung an die jeweilige Domäne können im weiteren Verlauf Feintuning, Nachschulungen oder die Ergänzung durch domänenspezifisches Wissen erfolgen. Für den zugrundeliegenden Artikel wurde daher erst einmal bewusst ein untrainiertes Modell genutzt.

Durchführung

Der Prompt

Die Interaktion mit der KI erfolgt über einen klar strukturierten Prompt, der die Aufgabe vorgibt, aus verschiedenen Dokumenten die nötigen Informationen so zu extrahieren, dass sie dem Requirements-Engineer der Bewältigung in den Teildiszplinen im Anforderungsmanagement unterstützen. Die KI soll sowohl explizite als auch implizite Anforderungen erkennen und diese in einem einheitlichen, vorher festgelegten JSON-Format dokumentieren.

Das JSON-Format umfasst unter anderem Attribute wie Identifikationsnummer, Titel, Anforderungstext, Priorität, Kategorie, Modulzuordnung, Status, Modelle, Quellen, Testfälle, Stakeholder sowie Änderungsverfolgung. Diese Struktur erlaubt eine standardisierte Ablage und Nachvollziehbarkeit der Anforderungen. Unklare Attribute wie z.B. Kategorie, Status oder Relevanz sind der KI erklärt und mögliche Wertebereiche vorgegeben worden.

Die KI hat sich kooperativ gezeigt und hat den Upload der Dokumente ohne weitere Rückfragen angefordert. Die Ausgaben werden dabei stets als Teilergebnisse festgehalten, falls auf einen Stand zurückgerollt werden muss.

Bewertung

Für die Bewertung der Ergebnisse werden objektive Messkriterien definiert, die sich an den Teildisziplinen Erhebung, Analyse, Spezifikation und Modellierung orientieren.

Die Disziplinen Validierung und Verwaltung werden in dieser ersten Bewertung nicht vertieft. Die Validierung – also die Prüfung der Umsetzbarkeit – setzt Fachwissen von Softwaredesignern voraus und übersteigt den Rahmen dieser Auswertungen. Die Verwaltung hingegen beschränkt sich darauf, die erhobenen Anforderungen in einem geeigneten Format abzulegen, was durch die JSON-Struktur gewährleistet wird.

Abhängig von der Ergebnisqualität des Prompts, soll im Bedarfsfall die KI mit einem neuen Prompt angewiesen werden, Korrekturen vorzunehmen, um die Güte des Ergebnisses zu steigern. Auf diese Weise kann schrittweise erprobt werden, inwiefern sich die Leistungsfähigkeit durch iterative Anpassungen verbessert.

Ausblick

Die folgenden Artikel dieser Reihe werden detaillierter auf die einzelnen Teildisziplinen eingehen und die Ergebnisse der Bewertung vorstellen. Ziel ist es, differenziert darzulegen, in welchen Bereichen generative KI bereits heute einen praktischen Nutzen bietet und wo noch Forschungs- und Entwicklungsbedarf besteht.

Der Beitrag Das Potenzial von generativer KI im Anforderungsmanagement – Teil 1 der Blogserie erschien zuerst auf Masoona Consulting.

In der heutigen schnelllebigen und technologiegetriebenen Welt stehen Unternehmen oft vor der Herausforderung, ihre Altsysteme zu modernisieren und neue Technologien nahtlos zu integrieren, um langfristig flexibel und erfolgreich zu bleiben. In der Digitalisierung spielt oft die Automatisierung mit Hilfe von Engines oder genauer gesagt Entscheidungsservices  eine sehr wesentliche Rolle, weshalb dieser Blog  eine innovative Lösung vorstellt, die den Einsatz verschiedener Entscheidungsservices zu einem einzigen Entscheidungsservice kombiniert und es ermöglicht, Altsysteme schnell in eine neue Systemlandschaft zu integrieren und schrittweise abzulösen.

Unterschiedliche Geschäftsbereiche erfordern oft unterschiedliche und spezialisierte Entscheidungssysteme. Die Kombination dieser Systeme bietet Flexibilität und Leistungsfähigkeit. Die Strategie, bewährte Technologien vorerst beizubehalten und nach und nach neue Technologien einzuführen, reduziert Risiken und ermöglicht eine gezielte Umstellung.

Unternehmen nutzen eine Vielzahl von Systemen, die aufgrund technologischer Unterschiede nicht gut miteinander kommunizieren können. Ausgetauschte Daten müssen immer wieder in ein neues Format konvertiert werden, um den Medienbruch zu überwinden. Die Ablösung von Altsystemen kann zeitaufwändig und komplex sein, insbesondere wenn es zu Ausfällen kommt. Der Umstieg auf neue Systeme erfordert oft umfangreiche Anpassungen und Datenübernahmen.

Moderne Automatisierungsengines oder auch Entscheidungsservices bieten Schnittstellen an, um ihre Funktionen, wie z.B. das Auswerten von Entscheidungen anhand von spezifischen Eingaben, zugänglich zu machen. Dies ist der Schlüssel für das Adapter Pattern, ein bewährtes Entwurfsmuster aus der Softwareentwicklung, das es ermöglicht, die Kommunikation zwischen verschiedenen Systemen zu erleichtern. Durch die Anwendung des Adapter Patterns kann ein Entscheidungsservice geschaffen werden, der die Funktionalität verschiedener Entscheidungsservices vereinheitlicht bereitstellt. Der Adapter realisiert eine einheitliche Sprache, welche die reibungslose Interaktion zwischen den verschiedenen Entscheidungsservices ermöglicht und nach außen hin für ein System einheitliche Schnittstelle zur Verfügung stellt. In der nachstehenden Abbildung kommuniziert ein System nicht mehr mir den unterschiedlichen Entscheidungsservices 1 und 2, welche unterschiedliche Methodensignaturen zum Abfragen und Auswerten von Entscheidungen bereitstellen, sondern nur noch mit dem Adapter, dem Entscheidungsservice 3. Das Ergebnis ist ein leistungsstarker Entscheidungsservice, der die Fähigkeiten verschiedener Automatisierungsengines nutzt. Unterschiedliche und bestehende Entscheidungsservices können so ohne Unterbrechung weiter genutzt werden, bis sie sukzessive durch ein einheitliches Entscheidungssystem ersetzt werden.

Die nachstehende Abbildung zeigt den Einsatz zweier Entscheidungsservices, welche auf einem unterschiedlichen Technologiestack aufsetzen. Daher bietet ihre Schnittstellen zwar gemeinsam Funktionen an, Modellinformationen zu bereitgestellten Entscheidungen auf dem jeweiligen Service auszulesen oder diese mittels Eingabeparameter abzufragen, jedoch unterscheiden sie sich in ihrer Art und Weise, wie zugegriffen wird. Dies wird in der nachstehenden Abbildung deutlich, in welcher der Entscheidungsservice 1 mit den Methoden “execute()” und “retrieveModels()” dargestellt ist und der Entscheidungsservice 2 von der Funktion her ähnliche aber andere Methoden mit den Signaturen “query()” und “modelInfo()” anbietet. Ein Adapter soll einem anfragenden System nur noch eine vereinheitlichte Schnittstelle bereitstellen, sodass ein System nicht mehr unterscheiden muss, welcher Service wie zu bedienen ist.

Da das Adapter Pattern flexibel und skalierbar ist, erfordert die Implementierung nur begrenzte Ressourcen. Die übergreifende Entscheidungssprache des Adapters kann in der Adaption weiterer Automatisierungengines wiederverwendet werden. Altsysteme können an den Adapter angebunden werden und dann schrittweise abgelöst werden. Die Unternehmen können die Vorteile unterschiedlicher Engines kombinieren und diese gemeinsam verwenden.

Die Kombination verschiedener Automatisierungsengines für Entscheidungen und die Einführung des Adapter Patterns ermöglichen es Unternehmen, ihre Systemlandschaft schrittweise zu modernisieren und neue Technologien effizient einzusetzen. Mit einem Entscheidungsservice von Entscheidungsservices und einer einheitlichen Entscheidungssprache steht einer erfolgreichen Transformation nichts mehr im Wege. Dieser Ansatz bietet Flexibilität, minimiert Ausfallzeiten und steigert die Effizienz, während bewährte Technologien vorerst beibehalten werden können. Unternehmen, die diese Strategie anwenden, werden sich langfristig als agil und zukunftsfähig erweisen.

von Patrick Dohrmann

Der Beitrag Modernisierung der eigenen Entscheidungsservices: Effiziente Integration von Altsystemen in die aktuellste Technologien durch den Einsatz von Adapter Pattern erschien zuerst auf Masoona Consulting.

Die Modellierung von Geschäftsregeln ist ein komplexer Prozess, der sich je nach Unternehmen und Branche, die ein Business Rule Management implementieren, unterscheiden kann. Die große Auswahl an Modellierungswerkzeugen und Automatisierungsmaschinen kann bei richtiger Anwendung eine wesentliche Unterstützung bieten. Neben Eigenschaften wie Verständlichkeit der modellierten oder programmierten Entscheidungsregeln für die Fachbereiche und Automatisierbarkeit durch die IT sollte für jeden Modellierer die Frage geklärt sein: Welcher Modellierungsansatz ist für den Einsatz von Entscheidungen vorzuziehen? 

Im Grunde lassen sich alle bekannten Modellierungsansätze in zwei zugrunde liegende Klassen unterteilen: ein problemorientiertes und ein lösungsorientiertes Modellierungsparadigma. Analog dem deklarativen Programmierparadigma ist das Vorgehen bei dem problemorientierten Modellierungsparadigma, das Problem zu beschreiben, also welche Entscheidung getroffen werden soll, und durch einen generischen Algorithmus die Lösung ableiten zu lassen, das heißt, wie das Ergebnis der Entscheidung lautet. Diesem Paradigma gegenüber steht die imperative Programmierung, bei der durch konkrete Anweisungen der genaue Lösungsweg vorgegeben wird. Übertragen auf das lösungsorientierte Modellierungsparadigma bedeutet dies, dass die Entscheidungsfindung konkret ausmodelliert wird.

Problemorientiertes Modellierungsparadigma

Die Idee hinter diesem Paradigma ist es, die Entscheidung als Problem zu formulieren, das durch ein generisches Lösungsverfahren gelöst werden kann. Hier kann es notwendig sein, das Problem in mehrere Teilprobleme aufzuteilen, die zuvor gelöst werden müssen. Ausgehend von bekannten Fakten, welche die Eingaben der Entscheidungsfindung sind, leitet das Lösungsverfahren für jedes Teilproblem neues Wissen ab, um mit diesem letztlich auf die Lösung des Problems und damit auf das Ergebnis der Entscheidung zu schließen. Probleme werden in dieser Modellierung mit Regeln definiert. 

Nehmen wir z.B. folgende Fakten an:

Wir wollen nun entscheiden, ob es eine Verbindung zwischen den Orten Aquarin und Easthaven gibt. Hierfür formulieren wir das Problem als eine Regel, die beschreibt:

Es gibt dann eine Verbindung zwischen zwei Orten A und B, wenn

Diese allgemeine Beschreibung einer Regel genügt nun, um herauszufinden, ob eine Verbindung zwischen Aquarin und Easthaven existiert. Das generische Lösungsverfahren würde zunächst schauen, ob eine direkte Verbindung zwischen beiden Orten bekannt ist. Falls nicht, würde das Verfahren Verbindungen mit bekannten Zwischenzielen in Betracht ziehen, zu denen Direktverbindungen bekannt sind.

Ein sehr bekannter Modellierungsansatz des problemorientierten Paradigmas ist das Business Rules Management System Drools. Es integriert eine eigene Engine, mit der sich u.a. Geschäftsregeln modellieren und automatisieren lassen. Ein weiterer bekannter Ansatz ist ein maschineller Lernalgorithmus, der nach vorherigem Training, basierend auf einer Eingabe, eine Entscheidung trifft. Solche Algorithmen bilden ebenfalls ein generisches Lösungsverfahren.

Lösungsorientiertes Modellierungsparadigma

Komplementär zum problemorientierten Modellierungsparadigma steht das lösungsorientierte. Der Modellierer gibt hier klar vor, welche Schritte zu unternehmen sind, damit eine Entscheidung aus einer Menge von Eingaben getroffen werden kann. Dabei wird der Lösungsweg genau modelliert. 

Hier finden sich viele Modellierungsansätze wieder, wie z.B. die Decision Model and Notation. Sie verfügt zum einen über ein eigenes Diagramm, mit welchem die Entscheidungen mit ihren Abhängigkeiten zu Eingaben und anderen Entscheidungen fachlich sehr gut dargestellt werden, zum anderen aber die Fähigkeit, durch eine Automatisierungsengine, wie Drools oder die Decision Engine der camunda BPM Plattform, ausgeführt zu werden. Der Lösungsweg wird durch die Modellierung einer Entscheidungslogik für eine Automatisierung vorgenommen. Eine Entscheidungslogik lässt sich z.B. durch eine Entscheidungstabelle modellieren, die aus einer Verknüpfung von Eingabeparametern eine Regel findet, welche die Ausgabe bestimmt.

Fazit

Die Modellierungsansätze des lösungsorientierten Paradigmas lassen sich meist grafisch modellieren, was den Lösungsweg für Fachabteilungen leichter verständlich skizziert. Ansätze des konträren problemorientierten Paradigmas sind der Implementierung durch die IT näher und schwerer begreiflich, da nicht gesehen werden kann, wie der Lösungsweg aussieht. Dennoch bieten diese Modellierungsansätze auch Vorteile. Durch ihre abstrakte Beschreibung der Entscheidung als Problem, ist sie von der Ausführung durch ein System entkoppelt. Sie hilft klarer zu formulieren, was entschieden werden soll und was das Problem ist, als es bei lösungsorientierten Ansätzen möglich ist. Wie der Lösungsweg bei Ansätzen des problemorientierten Paradigmas tatsächlich aussieht, bleibt dem Anwender jedoch verborgen. Selbst wenn der generische Lösungsweg bekannt ist, ist es schwierig, Rückschlüsse auf das Zustandekommen der Lösung zu ziehen.

von Patrick Dohrmann

Der Beitrag Der richtige Ansatz Ihre Entscheidungen zu modellieren erschien zuerst auf Masoona Consulting.