Felix Lerche: Hallo und herzlich Willkommen an Sie, an euch. Danke, dass ihr wieder dabei seid.

Felix Lerche: Zu itemis PODIUM: Mensch oder Maschine? Ist das heutige Thema.

Felix Lerche: Wir haben die Frage, die wir diskutieren: Sechs Monate oder sechs Jahre, wie KI die Produktentwicklung verändert.

Felix Lerche: Zwischen Effizienz, Zuverlässigkeit und der sich vielleicht auch verändernden Rolle des Ingenieurs.

Felix Lerche: Wir wollen diskutieren, dass KI gerade verändert, wie wir Software, wie wir Produkte entwickeln.

Felix Lerche: Vielleicht schon schneller an manchen Stellen, vielleicht intelligenter? Auch eventuell unübersichtlicher.

Felix Lerche: Wir wollen schauen, wo stehen wir jetzt zwischen Hype und Realität? Wie verändert KI aktuell schon wirklich die Entwicklungszeit?

Felix Lerche: Und was bedeutet die Veränderung für die Menschen, für die Ingenieurinnen und Ingenieure, die Qualität und unsere Verantwortung bei diesem Wandel?

Felix Lerche: Ich freue mich riesig, dass hier mit mir auf der Bühne drei Gäste sind, die ich gerne kurz vorstellen will.

Felix Lerche: Zum einen Eugen Schindler. Schön, dass du da bist Eugen. Eugens Fokus, ich glaube das kann man sagen, liegt auf Model-Driven-Development.

Felix Lerche: Digital Transformation und natürlich auch dem Einfluss von KI auf diese Themen und den Zusammenhang.

Felix Lerche: Und das ist so ein bisschen in unserem Vorgespräch rausgekommen, das fand ich ganz schön, auch die menschliche Perspektive, was das eigentlich für die Organisation und auch die Kollegen bedeutet.

Felix Lerche: Freue mich sehr, dass du da bist. Du teilst heute vor allem natürlich deine persönliche Meinung, aber du vertrittst natürlich auch deinen professionellen Erfahrungsschatz durch Canon Production Printing.

Eugen Schindler: Genau, ich habe mir vorher auch ein paar Themen angeguckt. Du bist auch häufiger Speaker auf einigen Events. Freue mich sehr, dass wir dich hier jetzt heute dabei haben.

Felix Lerche: Zu meiner Linken sitzt Jörg Berroth, Geschäftsführender Oberingenieur Systems Engineering am Lehrstuhl und Institut für Maschinenelemente und Systementwicklung der RWTH Aachen.

Felix Lerche: Und auch Geschäftsführer am Center for Systems Engineering, wo wir auch ja eine gewisse gemeinsame Vergangenheit haben. Können wir vielleicht später nochmal drauf zu sprechen kommen.

Felix Lerche: Du bist in beiden Welten zu Hause. Du bist Forscher mit Fokus auf mechatronische Systeme, interdisziplinäre Produktentwicklung.

Felix Lerche: Und beschäftigst dich vor allem mit dem Transfer der Methodik in die Praxis, in die Industrie. Ist das richtig wiedergegeben oder gibt es schon was aufzuräumen?

Dr. Jörg Karl Berroth: Alles gut, sehr gut.

Felix Lerche: Okay super. Und der Letzte im Bunde ist mein Kollege Alexander Nissen von itemis. Verantwortet bei uns den Bereich Digital Engineering mit Schwerpunkt auf MBSE und PMT.

Felix Lerche: Und hat auch selbst eine aktive Vergangenheit im Engineering, auch schon mal in einem Serienprojekt mitgearbeitet, glaube ich, ne?

Alexander Nissen: Durchaus.

Felix Lerche: Genau. Ich bin Felix Lerche, ich moderiere heute und leite bei itemis Vertrieb und Kommunikation.

Felix Lerche: Dann lasst uns doch direkt mal starten und direkt ans Eingemachte gehen und mal in die erste inhaltliche Frage mal reinschauen.

Felix Lerche: Eugen, wenn ich dich so anschaue, einfach mal so aus dem Bauch heraus, ist KI für dich aktuell ein Werkzeug, ein Partner oder ein Störfaktor in eurem Entwicklungsprozess?

Felix Lerche: Was würdest du sagen? Was trifft am ehesten zu? Oder alles? Ist es vielleicht von allem ein bisschen oder?

Eugen Schindler: Wenn die Antwort kurz sein muss, dann würde ich sagen: Alles. Wenn es ein bisschen länger sein muss, würde ich sagen, das hängt ein bisschen davon ab, was man jetzt genau KI nennt.

Eugen Schindler: Ich denke, dass viele Sachen, die früher wurde KI vor allem benutzt, um zu sagen, was noch nicht erreichbar war, was man gerne researchen möchte und so.

Eugen Schindler: Und wenn dann etwas erreicht war, dann wurde es nicht mehr KI genannt, sondern zum Beispiel Bayesian Networks oder irgendeine Art von Prolog oder irgendeine Art von Technologie.

Eugen Schindler: Heutzutage ist das so gemischt, dass eigentlich mehr oder weniger alles KI genannt wird, weil ich denke, es ist eine Art von Marketing Term. Und in dem Sinne ist es dann auch alles.

Felix Lerche: Jörg, vielleicht in deine Richtung geschaut, daran anschließend, wie würdest du das Thema verorten, um uns eine Orientierung zu geben?

Felix Lerche: Der aktuelle Reifegrad mal, um mal auf der Flughöhe unterwegs zu sein. Sind wir noch in der Experimentierphase oder ist KI schon im Alltag der Ingenieure angekommen? Wo bewegen wir uns da?

Dr. Jörg Karl Berroth: Also vielleicht vorneweg, ich bin ja anders als ihr, bin ich ja Maschinenbauer. Wenn man es noch genauer nimmt, bin ich sogar Strukturdynamiker von Kern oder vom Herzen ausgehend.

Dr. Jörg Karl Berroth: Das heißt, sehr im Hardcore Engineering des Maschinenbauingenieurs. Beschäftige mich jetzt aber auch mit dem Systems Engineering, also quasi dem Überbau der Produktentwicklung der Mechatronischen, wo dann Software ein Teil ist neben der Mechanik und neben E-E.

Dr. Jörg Karl Berroth: KI in der Produktentwicklung ist auch nochmal ein großer Begriff. Also jetzt aus Maschinenbaurichtung gesprochen würde ich sagen: Es gibt noch kein Produkt, das mit oder durch KI entwickelt wird.

Dr. Jörg Karl Berroth: Es gibt auch noch kein Ingenieur, der wirkliches Engineering mit KI von Null bis hundert Prozent fährt. Vielleicht bis dreißig Prozent, könnte man vielleicht.

Dr. Jörg Karl Berroth: Also es ist ein Helferlein, aber es ist noch nicht das Supplement oder schon gar nicht das Supplement. Da bewegen wir uns glaube ich so auf einer Pilotenebene irgendwo.

Dr. Jörg Karl Berroth: Also wir finden interessante Use Cases, die demonstrieren wir auch, aber auch die sind noch nicht im produktiven Einsatz in den Unternehmen verankert. So wie ich das sehe heute.

Dr. Jörg Karl Berroth: Zumindest jetzt aus der Maschinenbauingenieur Brille gesprochen. Ich kann es jetzt in der Software nur erahnen.

Dr. Jörg Karl Berroth: Also das, was ich bisher im Alltag sehe, wenn wir Software entwickeln, dann ist das Potenzial zu helfen noch größer, einfach dadurch, dass wir eine direktere Übersetzung haben von Funktionsgedanke.

Dr. Jörg Karl Berroth: Welche Funktion soll erfüllt werden zu geschriebenem Code. Und da ist sicher dann je nach Komplexitätslevel einzuordnen. Einfachere Funktionen sind sicher automatisch heute schon umsetzbar.

Dr. Jörg Karl Berroth: Das sehen wir im Maschinenbau nicht so, weil wir immer auch erst mal in die Physik gehen müssen, um eine Funktion zu erfüllen. Und die Auslegung der Physik ist noch mal deutlich komplexer. Da müssen wir noch ein paar weitere Schritte gehen.

Alexander Nissen: Da regt sich ein Gedanke bei mir, würde ich auch so unterschreiben. Also was mir die Kollegen spiegeln im Software Engineering, da ist es schon State of the Practice mit Co-Coding auch zu arbeiten mittlerweile.

Alexander Nissen: Im Systems Engineering ist das Ganze eine Spur komplexer. Da gibt es Teilbereiche, wo es natürlich schon ein sinnvolles Hilfsmittel ist, im Requirements Management zum Beispiel, aber wirklich generativ Systementwicklung zu machen, da fehlt noch ein klein bisschen, glaube ich.

Dr. Jörg Karl Berroth: Ich wollte noch anschließen. Genau in dem Bereich, wo es dann um Systems Engineering geht, also eher wieder um die Architektur und dann eher Architekturbeschreibende Sprache, da sehen wir oder da forschen wir auch dran, dass wir da wieder eine direktere Übersetzung schaffen von menschlicher Sprache in dann vielleicht ein SysML Modell.

Eugen Schindler: Aber da würde es vielleicht auch ein bisschen helfen, um ein bisschen einzuteilen: Was ist KI und was ist KI? Wenn wir zum Beispiel sagen, wir reden über Sachen wie General Pre-trained Transformers, LLMs.

Eugen Schindler: Das ist eine Art von KI, liefert Generationen, ist voll robust an der Vorderseite, ist fast wie eine Art von neues User-Interface mit Chat zu benutzen, sehr unrobust an der Hinterseite, weil man Hallucinations und verschiedene Sachen kriegen kann, die statistisch vielleicht stimmen.

Eugen Schindler: Aber im Prinzip kann das Ding nicht denken in Domains. Und das nennt man jetzt auch von einer Zeit redete man über Large Reasoning Models, da kommt man jetzt auch langsam von zurück auch in der Research Welt, dass man sagt: Okay, man kann es kombinieren.

Eugen Schindler: LLMs könnte man an die Vorderseite setzen, um es zugänglicher zu machen für mehr traditionelle Systeme, formelle Methoden, Sprachen und so weiter, die zusammenarbeiten.

Eugen Schindler: Und dann wird die LLM-KI, die jetzt so ein Buzzword ist, sagen wir mal, ein wirkliches Werkzeug, um es zugänglicher zu machen für Leute, die weniger Experte darin sind.

Felix Lerche: Eugen, jetzt nimm uns doch mal mit, wie müssten wir uns das vorstellen, wenn wir jetzt auf dem im Produktionsbereich bei Canon unterwegs sind, in der Anlage.

Felix Lerche: Was würdest du sagen? Kannst du uns ein Beispiel geben, was hat dich überrascht, was bei euch schon funktioniert hat? Ein KI Anwendungsfall, wo du sagst: Da sehe ich Potenzial.

Felix Lerche: Oder vielleicht auch, wo du jetzt schon sagst, also da sehe ich ganz klar und das schließt vielleicht auch ein bisschen an das an, was Jörg gerade gesagt hat, wo siehst du da momentan noch keinen großen Qualitätsvorsprung oder Effizienzvorsprung zu gewinnen?

Eugen Schindler: Ja, also ich würde sagen, wo KI was traditioneller ist, zum Beispiel wenn du einen Advanced Scheduler oder so was hast. Da hat mich zum Beispiel überrascht, dass wir sogar schon bei der Produktion tatsächlich vollständig optimieren mit solchen Techniken.

Eugen Schindler: Das hätte ich nicht erwartet, dass so etwas schon bei Produktion tatsächlich benutzt wird. Wenn ich denke, wo ist es dann halt eben noch nicht so cool, ist das, was wir oft zum Beispiel reden über so was wie Agentic R&D und so.

Eugen Schindler: Das ist dann für mich so ein ähnliches Gefühl wie sagen wir mal vor 30 Jahren oder so mit Model-based R&D. Eine schöne Idee, aber ich sehe halt eben noch nicht so viel wirkliche Vorteile im Moment daraus springen.

Dr. Jörg Karl Berroth: Würde ich so unterschreiben, ich überlege gerade, wenn ich jetzt noch was dazu sagen würde, wäre es visionär. Dann bleiben wir vielleicht erst mal beim Status Quo.

Felix Lerche: Gut, ja klar, es geht uns natürlich darum, auch den aktuellen Reifegrad gut einzuordnen und das auch anzuerkennen.

Felix Lerche: Wo ist denn aktuell der größte Hebel, um Entwicklungszeit zu verkürzen? Welche Disziplin profitiert denn aktuell noch am meisten von KI? Die Software, die Elektronik, die Mechanik?

Alexander Nissen: Also wenn man den Statistiken glauben mag, würde ich sagen die Softwareentwicklung, ja, weil du da natürlich viele schematische Anteile durchaus hast und einen großen Hebel.

Alexander Nissen: Und ich habe heute Morgen noch einen Artikel gelesen, da stand drin, dass bei GitHub mittlerweile 30% des Codes KI-erzeugt ist, sage ich mal.

Alexander Nissen: Ich glaube im Systems Engineering interdisziplinär ist der Hebel ein anderer, nämlich dass es den Zugang für den Ingenieur wieder einfacher machen kann.

Alexander Nissen: Wir haben viel dort über Formalisierung, formale Sprachen, Abbildung in Modellen gesprochen und stellen ja in der Praxis fest, dass das durchaus eine Einstiegshürde ist.

Alexander Nissen: Ingenieure müssen sich mit so was wie SysML auseinandersetzen, müssen das lernen, müssen die Werkzeuge bedienen und kommen über diese ganzen Formalia eigentlich nicht mehr so richtig zum Engineering.

Alexander Nissen: Und da würde ich sagen, ist ein großer Hebel drin, wenn ich diese Dinge einfacher zugänglich mache über ein LLM zum Beispiel. Dann kann ich mich vielleicht wieder als Ingenieur darauf konzentrieren, wirklich mal Designalternativen nebeneinander zu legen.

Alexander Nissen: Und muss nicht sozusagen selber in den Modellen Hand anlegen, sondern ich kann mir diese Dinge abnehmen lassen bestenfalls. Also ich glaube, da ist durchaus ein größerer Hebel noch für Produktivität drin, einfach nur durch nicht vollständige Übernahme der Engineering-Aufgaben, sondern durch eine gute Unterstützung.

Eugen Schindler: Aber reden wir dann spezifisch über Prompting? Weil zum Beispiel für Elektronik gibt es ja auch schon schöne Systeme, wo man sagen kann, wenn ich ein I/O-Board entwickeln möchte oder irgendein PCB entwickeln möchte.

Eugen Schindler: Dann gibt es super viel gute Unterstützung, sogar jemand mit weniger Kenntnis kann das eigentlich schon machen, weil das super gut für dich gecheckt wird auf solchen Websites, wo man das bestellt zum Beispiel.

Alexander Nissen: Ich glaube ja, das ist ein Schlüssel, aber es ist glaube ich schon wichtig, dass du das nicht kontextfrei machst, sondern dass du dann wirklich auch den Engineering-Kontext daran bringst und sagst: Was sind die Constraints an meine Entwicklung?

Alexander Nissen: Wenn die KI das nicht weiß, kann sie keine sinnvollen Modelle an der Stelle erzeugen.

Eugen Schindler: Meinst du dann ein LLM, dass das das nicht weiß oder was ist es dann?

Alexander Nissen: Ja genau, da fehlt ein LLM, würde ich mal sagen. Da fehlt dann der Kontext und das Wissen um sozusagen das, was ich vielleicht natürlichsprachlich formulieren kann, auch zu formalisieren in einer geeigneten Art und Weise.

Eugen Schindler: Das scheint sich doch zu konsolidieren, ne? Man fängt jetzt an zu lernen. Früher dachte man, je mehr Daten man reinsteckt und auf je mehr Daten man so ein LLM trainiert, dass es tatsächlich auch so denken könnte wie ein Mensch. Und das merkt man jetzt, das geht nicht.

Dr. Jörg Karl Berroth: Beziehungsweise die Daten sind halt irgendwann begrenzt, ne? Also Textbook Knowledge ist da, um soweit funktioniert ein LLM auch.

Dr. Jörg Karl Berroth: Also wenn ich jetzt als Maschinenbauer versuche ein Produkt auszulegen, funktioniert das, solange ich mich an das Wissen halte, was im Textbook hinterlegt ist. Aber mein Unternehmenswissen ist da ja noch nicht drin.

Eugen Schindler: Nee, aber es ist noch schlimmer, würde ich sagen. Das Ding kann denken in, so ein LLM kann denken in lexikalisch, also es kann etwas suchen. Du kannst dir so was vorstellen wie Google plus plus, ne, so eine Art von Semantic Search.

Eugen Schindler: Aber echt Denken in Konzepten und wie Konzepte miteinander zusammenhängen, das ist sogar so ein Textbook Knowledge ist noch nicht da, würde ich sagen.

Dr. Jörg Karl Berroth: Ja, wobei das sehen wir mit besserem Reasoning sehen wir das schon. Also wenn ich jetzt mir überlege, wie das damals noch mit 3.5 GPT-3.5 war und wie wir es dann zu 4 verbessert haben.

Dr. Jörg Karl Berroth: 5 hatte ich eigentlich gedacht, kommt noch mal ein Hub, der war jetzt nicht ganz so groß, weil man sich mehr auf diese Agentensysteme dann schon fokussiert hat oder es vielleicht auch gar nicht besser hingekriegt hat, ich weiß es nicht.

Dr. Jörg Karl Berroth: Aber auch da war das Reasoning ja schon deutlich besser. Also ich habe immer so ein Beispiel, das ich bringe, was ich so aus meinem jetzt nicht Forscher- aber Lehregalltag hatte.

Dr. Jörg Karl Berroth: Die Frage: Wie gut kann eine KI, also ein LLM, wie gut kann ein LLM Klausuraufgaben beantworten? Ist ja für uns eine Gefahr, wenn der Student plötzlich seine Klausur per GPT beantworten lässt.

Dr. Jörg Karl Berroth: Und es war schon spannend. Also maschinenbauliche Tätigkeit, Auslegung eines im drehenden Antriebsstrang befindlichen Bauteils von so 3.5. Jetzt gehen wir ein bisschen zurück in, ne?

Dr. Jörg Karl Berroth: Was glaubt ihr, wie viele Punkte von 20 hat es erreicht? Wenn ich frage, also Aufgabe mit 20 Punkten, 5 Teilaufgaben. Da waren wir bei einem Punkt. Der Rest war falsch.

Dr. Jörg Karl Berroth: Sah alles richtig aus, ja, also der Aufbau war natürlich richtig, alles sauber generiert. Wir hatten eine Formel drin, aber es war alles falsch. Ja, ist so. Und dann kommt 4.0. Was schätzt ihr, wie viele Punkte von 20?

Eugen Schindler: 80%.

Dr. Jörg Karl Berroth: Ja, 17 Punkte. Die letzten drei nicht, weil man in einer Netztabelle interpolieren musste. Das konnte die KI nicht, die hat dann auf den Lagerhersteller verwiesen. Das Wissen hat sie nicht gekannt.

Dr. Jörg Karl Berroth: Also und das werden wir schon, das werden wir immer wieder sehen, je besser wir die Modelle mit Kontext und zusätzlichem Wissen füttern. Wir werden schon denke ich noch Sprünge sehen in dem, was so ein Modell kann.

Eugen Schindler: Aber hier ist es auch wirklich für mich auf jeden Fall interessant zu sehen, wie viel Magie dahinter weggesteckt wird. Weil was ist ChatGPT?

Eugen Schindler: Ich denke, da ist tatsächlich auch ein LLM drin, ein GPT-Teil, aber schon lange nicht mehr alles ist GPT in ChatGPT. Da werden an der Hinterseite ja natürlich eine ganze Menge Sachen zusammengesteckt, die dann Reasoning machen können und so.

Eugen Schindler: Und das sind auch traditionelle Methoden. Und ich bleib dabei, dass dann das GPT-Stück eigentlich mehr eine Art von UI ist. Aber das hat schon Einfluss, wie man denkt, wenn man ein System zusammensteckt, das das machen kann für seine eigene Firma zum Beispiel.

Eugen Schindler: Und man geht da so ein Level drunter: Wie baut man so was? Dann kann man das nicht mehr als ein magisches Block sehen wie ChatGPT kann das alles, sondern: Was macht ChatGPT eigentlich genau?

Dr. Jörg Karl Berroth: Absolut. Und das ist glaube ich das, womit wir uns jetzt in Zukunft beschäftigen werden und auch heute ja schon beschäftigen: Wie kriegen wir das Wissen so unser, wie kriegen wir erst mal das Wissen aus den Köpfen der Menschen raus?

Dr. Jörg Karl Berroth: Formalisiert in Kontext gesetzt in Form von Knowledge-Graphen zum Beispiel. Und wie können wir dann dieses vernetzte Wissen nutzen, um gezielt dann ist es tatsächlich eher ein Chatbot, eher so ein User Interface, dann gezielt auf Informationen zuzugreifen.

Dr. Jörg Karl Berroth: Das ist nach vorne zum Nutzer hin, aber wir können das natürlich auch im Hintergrund nutzen, um sinnvoll APIs miteinander zu verschalten und dann schon auch generativ mit den APIs zu arbeiten.

Dr. Jörg Karl Berroth: Nur dass da sinnvolle Ergebnisse rauskommen. Ich glaube, das dauert noch ein bisschen, weil einfach das Wissen auch noch gar nicht vernetzt ist. Das ist das, was wir meistens sehen.

Felix Lerche: Alexander, was würdest du sagen? Ist der Wunsch nach voller Nachvollziehbarkeit realistisch? Oder was bedeutet denn jetzt eigentlich der Begriff Traceability in dem Zusammenhang?

Alexander Nissen: Ich musste gerade, als du sagtest Knowledge-Graph, also wir haben ja viele strukturierte Informationen schon, aber die Semantik sozusagen liegt teilweise bei den Menschen oder in den Prozessen.

Alexander Nissen: Und ist noch nicht sozusagen in den Daten abgebildet und das ist eigentlich das Spannende. Da hat Kollege Florian die Woche einen Artikel geschrieben, den fand ich da ganz inspirierend.

Alexander Nissen: Wo er sagt: Wir haben eigentlich Traceability als gelebte Praxis im Engineering, in der Automobilindustrie können alle ein Lied davon singen, ASPICE und Co.

Alexander Nissen: Aber die eigentliche Semantik, die steckt in den Köpfen der Leute, die diese Trace-Modelle aufgebaut haben und nicht zwingend in Trace-Modellen selbst. Und das ist glaube ich das Spannende.

Alexander Nissen: Wie kriegt man das jetzt da rein? Weil mit der Strukturinformation allein habe ich noch keinen Knowledge-Graphen.

Dr. Jörg Karl Berroth: Richtig. Kann ich auch empfehlen, sich anzugucken, was wir da in Aachen gemacht haben die letzten acht Jahre, würde ich sagen. Damals übrigens als wir das Thema MBSE, also Model-based Systems Engineering jetzt nicht aus dem Model-based Software Engineering, sondern wirklich aus dem Mechatronischen gesprochen, uns näher angeguckt haben.

Dr. Jörg Karl Berroth: Da war relativ schnell klar, auf welcher Aggregationsebene wir Wissen zusammensammeln müssen, nämlich schon ganz weit unten in der technischen Information zum Produkt.

Dr. Jörg Karl Berroth: Und wenn man sich da anguckt, wie quasi unser Modell dazu aussieht, welche Daten wir mit einbeziehen müssen, dann ist das natürlich einmal die Durchgängigkeit von den Anforderungen bis über die Funktion in die Lösung ins Produkt selbst.

Dr. Jörg Karl Berroth: Aber es ist vor allem auch, wenn man sich dann mit den Lösungselementen, also den wirklichen Engineering-Elementen auseinandersetzt, dann sind das Verhaltensmodelle, aber auch die wir nennen Workflows zu den Verhaltensmodellen.

Dr. Jörg Karl Berroth: Also wir müssen natürlich auch Wissen vernetzen darüber, wie Menschen Wissen aneinanderreihen und Prozesse aneinanderreihen, um am Ende einen Erkenntnisgewinn zu erzielen.

Dr. Jörg Karl Berroth: Und deshalb sehen wir eigentlich auch, dass das, was wir in MBSE heute machen, und das haben wir damals auch schon so gesehen, nur konnten wir noch nicht in die Zukunft blicken und sehen, dass wir so schnell so starke LLMs bekommen.

Dr. Jörg Karl Berroth: Aber das, was wir da aufbauen an auch an Graphen soll genau dieses Wissen beinhalten. Und da können wir nicht sagen, dass wir das schon haben.

Dr. Jörg Karl Berroth: Da sind wir gerade am Anfang, das in Unternehmen zu bringen und Unternehmen aufzufordern, das kann man eigentlich auch nur jedes Unternehmen auffordern, genau dieses Prozesswissen und dieses Modellwissen, damit meine ich jetzt vor allem Produktbeschreibende Modelle.

Dr. Jörg Karl Berroth: Und auch natürlich das Architekturwissen möglichst schnell zu formalisieren und in entsprechenden Graphen abzubilden, um dann darauf auch irgendwann mal trainieren zu können und Kontext.

Eugen Schindler: Aber da fällt mir eine interessante Observation auf. Wir haben angefangen mit LLMs und ob die alles können und dass sie sagen wir mal magisch alles machen. Jetzt sind wir langsam zu Knowledge-Graphen übergegangen.

Eugen Schindler: Und ich denke, tatsächlich Knowledge-Graphen oder bestimmte Modelle, formelle Systeme, was auch immer, was miteinander zusammenarbeitet, was spezifisch ist für sagen wir mal eine Firma, die Produkte entwickelt, physische Produkte entwickelt.

Eugen Schindler: Das ist eigentlich das zentrale Stück, denke ich, was die Sachen miteinander verbindet, weil man hat eigentlich mehr oder weniger an einer Seite sagen wir LLMs, die es dann vielleicht zugänglicher machen für Leute, die weniger Experte sind in all den digitalen Techniken.

Eugen Schindler: Und an der anderen Seite die Daten, um dann diese oder Knowledge-Graphen oder vielleicht viel mehr detaillierte Modelle, wo man noch simulieren kann und so, um die an die Wirklichkeit zu verbinden, wo man dann die Daten aus der Wirklichkeit sammelt.

Eugen Schindler: Das hat dann wieder mit diesem Known Unknowns und so weiter zu tun. Hier kann man eine ganze Menge in der LLM-Welt kann man eine Menge Sachen Known Knowns vielleicht teilweise Known Unknowns machen.

Eugen Schindler: Aber wenn man die Unknown Unknowns haben möchte, die kann man nur in der Physik kriegen und die muss man dann mit harter Arbeit halt eben in diese Knowledge-Graphen und andere Systeme reinkriegen.

Alexander Nissen: Und man muss das Wissen aus den Köpfen rauskriegen. Also eigentlich muss man Digitalisierung nicht nur denken in Unternehmensprozessen, sondern man muss irgendwie auch das, was den Ingenieur ausmacht, irgendwie digitalisieren ein Stück weit. Oder ihn einbinden, Human-in-the-Loop.

Eugen Schindler: Zur Unterstützung würde ich sagen. Also ich denke oft in Informationsströmen. Dann gibt es vielleicht noch überhaupt keine Software oder Support dafür.

Eugen Schindler: Aber man kann doch in jedem Prozess, Engineering Prozess kann man sehen: Jemand redet mit jemand anderem, das hat mit einer bestimmten Disziplin zu tun oder so. Und das sind Sachen, die halt eben, wenn man etwas wiederholt, sind das Ströme, die sich wiederholen.

Eugen Schindler: Und wenn man das irgendwie supporten kann, nicht nur das Einbinden, sondern wirklich eher den Leuten helfen. Es geht ja um die Produktentwickler, dass die besser, schneller den Wert zufügen können, ihre Arbeit machen können.

Felix Lerche: Ein gutes Stichwort, im Fluss sein, Ströme. Du hast bei einem Talk, den ich mir angesehen habe, Holistically Composing Digital Twins, gesagt, dass Transformation und Fortschritt ein Moving Target eigentlich sind.

Felix Lerche: Und es dadurch vielleicht mehr um die Haltung geht und wie wir damit umgehen. Da spielt Organisation natürlich eine Rolle, Klima, Kultur spielt eine Rolle, aber natürlich auch der Ingenieur selbst.

Felix Lerche: Welche Fähigkeiten werden aus deiner Sicht oder sind gerade und werden dann auch in der Zukunft die prägenden und wichtigsten Fähigkeiten sein, die wir ausbilden, die wir verstärken müssen?

Eugen Schindler: Da gibt es ja natürlich diese mehr oder weniger logischen Sachen, wo Leute sagen andere Disziplinen müssen mehr Digital Literacy kriegen und so weiter. Aber ich denke, da ist eigentlich was drunter.

Eugen Schindler: Klar, Digital muss man lernen, Knöpfchen drücken, was auch immer, irgendwie mit dem Computer kommunizieren. Aber ich denke, die wichtigeren Skills wären Sachen wie Modellformung, dass man versteht, wie die Welt funktioniert.

Eugen Schindler: Dass man nachdenkt über nicht nur Wie, weil das sehe ich oft im Engineering, Leute möchten gerne vorausgehen, initiativ Wie mache ich das jetzt? Sondern eher Was? Was machen wir?

Eugen Schindler: Wie ist das jetzt gekoppelt an die Wirklichkeit? Wann muss man genau welche Technik benutzen? Manchmal muss man Daten sammeln oder ein Experiment machen, manchmal kann man vielleicht schon etwas verstehen pur aus der Produktspezifikation raus.

Eugen Schindler: Manchmal muss man etwas simulieren. Dazu braucht man eigentlich eine Art von anderer Denkweise, um diese ganzen Tools ausnutzen zu können. Also man muss tatsächlich in der Haltung muss man nicht mehr sagen: Okay, ich denke raus aus dem, was ich habe, sondern eher was brauche ich?

Eugen Schindler: Wo kann ich shoppen gehen, um mir was zu benutzen zu können? Und in dem Sinne hilft auch mehr die sogenannte Integratoreinstellung, also so langsam weggehen von ich bau alles selber, sondern ich integriere.

Eugen Schindler: Und dann muss man von verschiedenen Techniken, Methoden, Technologien muss man eigentlich die Essenz relativ schnell verstehen können und sagen: Wie könnte ich jetzt eins und eins zusammenzählen, um drei zu kriegen?

Dr. Jörg Karl Berroth: Zu der Frage ist mir auch bei Alex' Aussage schon direkt ein Gedanke gesprungen, dass natürlich der Ingenieur jetzt erst mal sagt: Klingt ja so, als würde meine Arbeit irgendwann erledigt werden von der KI.

Dr. Jörg Karl Berroth: Und da hat natürlich jeder erst mal Angst. Und das muss man natürlich den Ingenieuren, ob jetzt Software oder auch Hardware Ingenieuren, muss man natürlich nehmen.

Dr. Jörg Karl Berroth: Und kann man auch ganz einfach, wenn man sich anguckt, was die Kernaufgabe des Unternehmens ist, ist Innovation voranzubringen und die wird heute, wenn man ehrlich ist, wird die hauptsächlich dadurch blockiert, dass unsere Ingenieure mit Aufgaben betraut sind, die nur lästig sind und nicht der Innovation beitragen.

Dr. Jörg Karl Berroth: Das heißt, plötzlich wird, wenn ich schaffe diese Verwaltungs- und auch Berechnungsaufgaben, die ich unter Umständen durchzuführen habe für Pre-Sales, die kann ich plötzlich automatisiert durchführen lassen.

Dr. Jörg Karl Berroth: Und zwar demokratisiert, die muss ich gar nicht mehr selber anstoßen, das kann womöglich der Sales-Mann schon anstoßen. Und meine Aufgabe ist es nur noch dafür zu sorgen, dass diese Berechnungsmodelle in ihrem Rahmen auch sicher funktionieren und zu einem sinnvollen Ergebnis führen.

Dr. Jörg Karl Berroth: Und kann mich plötzlich wieder mit Technologie und Innovation beschäftigen, mache also das, wofür ich eigentlich mal in den Berufsstand getreten bin. Das hatten wir auch ein bisschen im Vorgespräch, hat sich das ein bisschen abgezeichnet, fand ich einen unheimlich spannenden Punkt.

Felix Lerche: Weil was aktuell ganz häufig diskutiert wird, ist natürlich die vertikale Ebene. Wie muss eine Organisation Innovation ermöglichen?

Felix Lerche: Aber von dir kam auch noch mal dieser Punkt: Na ja, es ist auch natürlich vor allen Dingen ein Thema, das Horizontal zu denken, weil jedes Unternehmen, das momentan vor dieser Frage steht, wie es das wertschöpfend einbindet.

Felix Lerche: Natürlich das im Kontext seiner eigenen Wertschöpfung betrachten muss, zu überlegen, von außen nach innen der Markt, den ich bediene, die Kunden, die ich bediene, wo hilft mir das in der Wertschöpfung?

Felix Lerche: Und dann ist es spannend zu sehen, Horizontal, welche anderen Rollen können plötzlich teilhaben an der Produktentwicklung?

Dr. Jörg Karl Berroth: Exakt genau. Und das führt am Ende zu einem Effizienzgewinn, der ist nicht zu vergleichen mit spare ich jetzt einen Ingenieur ein oder nicht, sondern ich habe plötzlich auf ganz vielschichtig kann ich dieses Wissen verwenden und kann es aber vor allem mit dem Ingenieur auch immer weiter verbessern.

Eugen Schindler: Da gibt es ja natürlich auch eine Gefahr, wenn man implizit lässt, wie man dann genau so eine KI oder so ein LLM jetzt benutzt. Dann kann das auf einer längeren Zeitspanne kann das zu Problemen führen.

Eugen Schindler: Zum Beispiel eines der bekannten Probleme ist das sogenannte Deskilling. Wenn Leute ChatGPT oder was auch immer benutzen, um nachzudenken, das ist ein Problem.

Eugen Schindler: So ich rate Leuten auch oft, vor allem Junior Leuten auch, wenn sie ChatGPT oder so was benutzen, dann schreib dir eine Direktive rein, damit sie dir nicht zu allem dich irgendwie deskillen, sondern dass der ganze Grund ist eigentlich, um zu lernen von so einem Ding und um das zu benutzen, um zu wissen, was für Arbeit kann ich dem jetzt überlassen.

Eugen Schindler: Aber die allgemeine Sache wäre dann: Sorge nicht dafür, dass die KI für dich nachdenkt. Weil dann ist ja natürlich die ganze Kreativität weg.

Eugen Schindler: Es gibt diesen Begriff von Digital Twinning, wo man sagt, eine der Sachen, wofür man das benutzt zusammen mit KI, ist Imagineering. Das ist Imagination und Engineering.

Eugen Schindler: Wenn man diese Kreativität behalten möchte und nicht nur zu so einem dystopischen Szenario gehen möchte, wo die KI-Wissenschaftler schon sagen, dass es eigentlich keine, dass es nur noch synthetische Daten gemacht werden müssen, weil die Leute keine wirklichen Daten mehr machen.

Eugen Schindler: Wenn das nicht eine Self-fulfilling Prophecy sein muss, dann muss man schon die Leute, wenn sie jung sind, stimulieren, dass sie doch mehr selber nachdenken. Und das ist denke ich tatsächlich eine Herausforderung.

Alexander Nissen: Sehe ich auch so. Auf der anderen Seite würde ich sagen, kann die KI schon ein guter Impulsgeber sein, um mal über Dinge nachzudenken an bestimmten Stellen. Also man hat einen Sparringspartner in irgendeiner Form.

Alexander Nissen: Und ich glaube auch, um noch mal darauf zurückzukommen, dass der Ingenieur sicher nicht überflüssig wird. Vielleicht wird sich das Berufsbild des Ingenieurs einfach ein bisschen weiter verändern in den nächsten Jahren.

Alexander Nissen: Hat es immer schon getan. Wenn ich richtig informiert bin, dann ist der Ingenieur mal als Kriegsbau-Meister sozusagen gestartet. Systems Engineering hat auch erst seit den Sechzigern sich so ein bisschen als Disziplin etabliert.

Alexander Nissen: Ich glaube, das Berufsbild entwickelt sich einfach weiter und die Menschen, die das ausfüllen, eben mit. Deswegen glaube ich auch Methoden-, Werkzeugkompetenz, das wird wichtig bleiben.

Alexander Nissen: Wissen und Können wird auch wichtig bleiben. Da werden die Unis auch gefordert sein nach wie vor, das zu vermitteln, auch Basiswissen. Ich muss ja beurteilen können, ob was sinnig ist, was mir die KI da liefert als Ergebnis, aber glaube obsolet werden wir so schnell nicht.

Felix Lerche: Das heißt, die Zusammenarbeit in den Teams verändert sich dadurch durch einen neuen Sparringspartner, durch eine neue Komponente, aber ein komplettes Ersetzen findet eigentlich nicht statt an der Stelle.

Eugen Schindler: Wahrscheinlich nicht. Und ich denke auch, dass man da tatsächlich an die Junioren denken muss. Wir haben ja im Vorgespräch kurz noch mal darüber geredet, dass da mal irgendwo in der Zeitung heute Morgen oder so stand.

Eugen Schindler: Dass jetzt halt eben manchmal Leute Probleme haben, um auf den Arbeitsmarkt zu kommen als Junioren, weil sie konkurrieren müssen mit KI. Und das ist dann natürlich ein Problem, weil Junioren haben ja viel mehr Funktionen als nur Konkurrieren.

Eugen Schindler: Sie müssen die Kontinuität der Firma machen können. Und wenn man sagt: Okay, wir werden nicht obsolet, ja, vielleicht nicht, aber die Leute, die nach uns kommen, müssen auch nicht obsolet werden.

Felix Lerche: Eugen, jetzt hast du schon einige auch sehr realitätsnahe Beispiele angeführt, wo das gelingen kann auch von Canon selbst.

Felix Lerche: Was würdest du sagen? Gibt es auch Voraussetzungen, die von der Organisation, vom Unternehmen intern geschaffen werden müssen, damit das gelingt?

Felix Lerche: Damit überhaupt so eine Innovation möglich ist, damit der Wandel überhaupt angenommen und umgesetzt werden kann, erprobt werden kann? Dass man so eine Digital Literacy, wie du es nennst, überhaupt entwickeln kann im Sparring?

Eugen Schindler: Ja klar, da gibt es die logischen Sachen, dass man sagt: Gib Leuten die Zeit und gib Leuten auch den Raum, um das zu entwickeln. Aber ich denke, dass viel mehr andere Sachen spielen auch in so einer Transition.

Eugen Schindler: Wenn man viele Sachen implizit lässt, dann entsteht Angst bei Leuten: Wird KI mich jetzt ersetzen oder wie wird das aussehen? Ich als Engineer, wie wird meine Arbeit aussehen? Was ist eigentlich noch mein Platz in der ganzen Sache?

Eugen Schindler: Und da ist es natürlich wichtig, dass man irgendwie eine bestimmte Haltung macht. Also was ich bei uns in der Firma sehr mag, ist dass da eigentlich die Idee von der Dezentralisierung, dass man sagt, man kann eigentlich nur richtig skalieren.

Eugen Schindler: Wenn man die Verantwortung bei den Leuten so tief wie möglich legt. Aber das hört dazu gehört, dass man den Leuten dann auch die Tools und den Raum gibt, um diese Verantwortung überhaupt tragen zu können.

Eugen Schindler: Und in dem Sinne würde ich sagen, von beiden Seiten sind da wichtige Voraussetzungen: An der einen Seite müssen Leute den Raum kriegen, aber dann reden wir nur über Führung.

Eugen Schindler: Aber auch die Leute selber müssten da eine bestimmte Haltung dann nehmen, weil es ist eine Transition, das ist eine große Änderung. Und Änderungen kann man auf zwei Arten und Weisen mit umgehen oder man kann Avoid, drum herumgehen.

Eugen Schindler: Das ist denke ich keine gute Strategie, oder man kann es embrace oder sogar treiben, vorantreiben selber. Also diese Art von Haltung, die muss man dann öffnen können bei den Produktentwicklern oder bei den Engineers, die dann tatsächlich die Produkte entwickeln.

Felix Lerche: Ist Haltung auch etwas, was in der Lehre für euch momentan etwas ist, wo ihr sagt: Das müssen wir den jungen Leuten mitgeben, weil wir sie so vorbereiten auf die Entwicklung, die wir selbst gerade beobachten?

Dr. Jörg Karl Berroth: Ja, definitiv. Ich meine, es wäre ein Fehler zu sagen: Wir ignorieren das Thema und lehren, wie wir das in den letzten 10 Jahren auch getan haben.

Dr. Jörg Karl Berroth: Nee, wir ändern ganz aktiv unsere Lehrkonzepte genau dahingehend, bereiten die werdenden Ingenieure darauf vor, dass das wesentlich wichtiger werden wird, die Verantwortung zu übernehmen.

Dr. Jörg Karl Berroth: Dafür zu sorgen, dass das Produkt sicher entwickelt werden kann. Also dass wir Architekten werden, dass wir Simulationsexperten werden, dass wir Requirements-Analysten werden.

Dr. Jörg Karl Berroth: Die in der Lage sind, richtig zu beurteilen, dass das, was wie früher auch schon war, was gerechnet wird, aber was jetzt womöglich noch automatisierter und im größeren Rahmen gerechnet wird, auch plausibel ist.

Dr. Jörg Karl Berroth: Und dafür natürlich auch die entsprechenden Leitplanken zu schaffen, dass wir damit im Unternehmen dann am Ende auch produktiv arbeiten können. Wenn wir jetzt an jeder Stelle kleine Agenten aufpoppen, die alle eine Teilaufgabe erledigen.

Dr. Jörg Karl Berroth: Heißt das ja auch noch lange nicht, dass wir ein Orchester haben, das ein Produkt entwickelt am Ende, sondern man hat halt viele kleine Ansatzpunkte und Keime, die einem Unterstützung geben, die aber noch nicht dafür sorgen, dass wir jetzt direkt sicher ohne den Blick darauf entwickeln.

Dr. Jörg Karl Berroth: Und das wird sicher wichtiger mitzugeben, dass diese Technologien zunächst und sicher auch in Zukunft erst mal nur unterstützen und es noch wichtiger wird zu hinterfragen, ob das, was da an Ergebnis rauskommt auch richtig ist.

Dr. Jörg Karl Berroth: Und dann ist man plötzlich wieder dabei, dass man sich ja doch wieder mit den Grundlagen beschäftigen muss, so mein Gefühl. Man kann zwar schneller auf Grundlagen zugreifen, aber muss sie dennoch verstehen, wenn man sonst am Ende gar nicht plausibilisieren kann. Also wird es auch in gewisser Weise im in der klassischen Lehre bleiben.

Alexander Nissen: Ich glaube, der Punkt Verantwortung übernehmen, das ist ein wichtiger. Die neuen Technologien enablen den Ingenieur, dass er mehr Verantwortung übernehmen kann, weil er selber seine Ideen besser challengen kann.

Alexander Nissen: Weil er Simulationen und so was abgenommen bekommt und seine Ideen erst mal absichern kann. Sie zwingen ihm aber auch mehr Verantwortung auf, weil in der Vergangenheit konnte er dann immer noch mal auf einen Fachexperten verweisen.

Alexander Nissen: Der für ihn das mal durchsimuliert hat und der dieses Feedback gegeben hat. Deswegen glaube ich, wird insgesamt das Berufsbild da schon mit mehr Verantwortung ausgestattet.

Dr. Jörg Karl Berroth: Ja, nehmen wir den Berechnungsingenieur. Er gibt ja plötzlich, wenn er ein Tool entwickelt, gibt er das ja plötzlich frei für einen großen Kreis im Unternehmen, die dann alle damit arbeiten. Also ist die Verantwortung tatsächlich einfach noch viel größer.

Eugen Schindler: Und da ist es vielleicht auch wichtig, dass man in der Organisation, dann kommen wir doch mal wieder zu Organisation zurück natürlich, dass man das richtig unterstützt. Man könnte es fast ein bisschen so wie Conway's Law nennen.

Eugen Schindler: Wenn du ein iPhone öffnest, dann kannst du reingucken und kannst eigentlich die organisationelle Struktur sehen. Das kann man ja natürlich effektiv selber bauen.

Eugen Schindler: Also wenn du sagst, wir haben einen Experten, der früher die Berechnungen gemacht hat und der kann jetzt Tools freigeben für andere Leute, damit das demokratisiert ist, dann muss man das unterstützen bleiben.

Eugen Schindler: Also wenn du in anderen Worten, wenn du in der Produktentwicklung Sachen zum System Level hochziehen möchtest, dann muss man in der Organisation auch die Leute, die dann die verschiedenen Tools und die verschiedenen Kompetenzen und Assets bewachen und auch entwickeln.

Eugen Schindler: Muss man dann auch zur System Level ziehen, damit die effektiv miteinander auf diesem System Level alle Sachen für die Produktentwickler machen können.

Felix Lerche: Muss sich Model-based Systems Engineering ein Stück weit auch neu erfinden, um mit KI mithalten zu können? Ist das die Anforderung? Alexander, was würdest du sagen?

Alexander Nissen: Ich glaube schon, dass die Modelle einfach vielfältiger werden, komplexer werden, integrierter werden. In der Vergangenheit war Model-based Systems Engineering viel Dokumentation.

Alexander Nissen: Und ich glaube, wenn einem dieser Erstellungsaufwand, was Modelle angeht, abgenommen wird zu einem gewissen Teil, dann haben wir einen großen Hebel, dass diese Modelle eher zum Explorieren auch genutzt werden können.

Alexander Nissen: Ich kann mal schnell eine Simulation laufen lassen, kann einen Entwurf mal sozusagen durchspielen mit dem Modell. Deswegen glaube ich, ja, wird sich diese Landschaft schon verändern müssen.

Alexander Nissen: Hin, dass man nicht nur sagt, man hat so was wie die SysML als Einzelspezifikationssprache, sondern haben wir sehr viele unterschiedliche formale Beschreibungen eines Systems, die stark miteinander integriert werden müssen.

Alexander Nissen: Und wo ich dann aber relativ schnell einfach die Möglichkeit habe, mal ein spezielles Modell für einen bestimmten Anwendungsfall zu betrachten und mal die Perspektive auch zu wechseln als Ingenieur.

Alexander Nissen: Also nicht nur sozusagen aus der Systemarchitektur heraus mir jetzt Gedanken machen zu können: Wie ist das denn mit Vibrationsverhalten zum Beispiel oder wie ist die Wärmeentwicklung?

Alexander Nissen: Sondern ich kann dann wirklich mal Detailmodelle, physikalische Modelle zu Rate ziehen und kann mal Dinge durchprobieren. Von daher ja, glaube ich, das wird schon Impact haben an der Stelle.

Eugen Schindler: Aber wahrscheinlich was wirklich wichtig wird, und das haben wir schon ein paar Mal gesagt, also die Verantwortung tief legen. Jörg hat ja auch schon gesagt, wir sehen oft wie tief eigentlich die Sachen liegen.

Eugen Schindler: Was da wichtig ist, weil die Komplexität, ich sehe auf jeden Fall die Komplexität von physischen Systemen wirklich wachsen in Features, in Komponenten, in all den Interaktionen.

Eugen Schindler: Mit solcher Komplexität muss man als Mensch muss man genügend Separation of Concerns haben können, dass man sagt: Okay, ich kann mich fokussieren auf die Essenz, die ich gerade im Moment am Bearbeiten bin.

Eugen Schindler: Aber zur gleichen Zeit muss ich mir bewusst sein von all den Interaktionen, die passieren müssen. Es ist nicht mehr genügend, dass man miteinander Meetings hat oder irgendwas um das abzustimmen, das wird einfach zu komplex dafür.

Eugen Schindler: Also ich muss als Engineer auch wissen, was ist der Einfluss von dem größeren Kontext des Produkts und all den Interaktionen auf die Entscheidungen, die ich jetzt nehme.

Eugen Schindler: Und andersrum: Was ist der Einfluss von meinen Entscheidungen auf all die anderen Sachen? Und das heißt natürlich, wenn man jetzt denkt im V-Modell, das ist ja das traditionelle Modell und MBSE der den Platz hat.

Eugen Schindler: Wäre das eigentlich eher, dass man sagt anstatt des V-Modells, aber man könnte es auch ins V-Modell passen, hat man eigentlich Concurrent Engineering.

Eugen Schindler: Eine ganze Menge kleine Vs, die zugleich verschiedene Sachen machen, aber es muss eine Konsistenz da sein. Und das ist vielleicht größtenteils sogar nicht nur KI, sondern eher eine Haltung und eine richtige Informationsarchitektur.

Dr. Jörg Karl Berroth: Würde ich auch. Also ich würde eher sagen, dass MBSE bleibt quasi die Grundlage dessen, wie wir Informationen und Entwicklungsartefakte strukturieren müssen und vernetzen müssen.

Dr. Jörg Karl Berroth: Und das haben wir jetzt auch die letzten Jahre ja versucht. Ganz häufig war die Aussage aus den unterschiedlichen Disziplinen gesprochen: Ja, aber ich brauche einen ganz eigenen Viewpoint.

Dr. Jörg Karl Berroth: Ich kann mit den Informationen aus den anderen Domänen gar nichts anfangen oder da will ich mich auch gar nicht mit beschäftigen. Oder natürlich diese Wissensvernetzung wird so komplex, ich kann mich da gar nicht mehr durchbrowsen durch diese großen Modelle.

Dr. Jörg Karl Berroth: Geschweige denn alle Traces überblicken. Und da ist das sehen wir schon, dass wir mit KI oder mit den jetzt mit dem quasi Mensch-zu-Maschine Modellen, die wir haben mit LLMs, dass wir das sehr vereinfachen können.

Dr. Jörg Karl Berroth: Und letztlich ein Nutzer-Interface auch bieten können, wie wir es vorhin schon gesagt haben, um Modelle zu erzeugen, aber auch um Informationen wieder zurückzufragen aus den Modellen und dadurch werden diese Modelle überhaupt erst mal spielbar.

Dr. Jörg Karl Berroth: Das war sicher immer ein großes Problem und da sind wir es glaube ich schon ein Stück weiter dank lasst es uns mal einfach erst mal Nutzer-Interface nennen, ja, auch wenn da eine dicke Technologie dahintersteckt.

Eugen Schindler: Wobei sich dann natürlich auch die Komplexität an den LLMs nicht komplett versteckt, weil was ich oft sehe ist man kann viel holen aus solchen Chat-Modellen, aber da muss man wirklich die richtigen Fragen stellen.

Eugen Schindler: Und das ist in Essenz nicht sehr anders als wenn man mit verschiedenen Experten zusammenarbeiten muss und ich habe jemanden, der was für mich durchrechnet. Wenn ich dem die falsche Frage stelle, dann ist die Qualität der Antwort auch nicht so super.

Eugen Schindler: Also das ist tatsächlich ein Skill, der dann immer wichtiger wird. So wie früher die Google-Skills und dann eigentlich jetzt die Fragen-Stell-Skills.

Felix Lerche: Ja, ich würde gerne mal auf ein paar Fragen eingehen, die während unseres Gesprächs im Chat gestellt worden sind. Nicht alle vielleicht aber ich denke ein paar greifen doch ganz gut die Themen auf, die wir hier diskutieren.

Felix Lerche: Und hoffe wir haben schon ein bisschen was dazu gesagt, aber ich glaube wir können wir können da auch noch mal kurz drauf eingehen. Eine habe ich hier, da wird gefragt: DSLs für System Engineering oder auch SysML im Speziellen haben doch ein Adoptionsproblem.

Felix Lerche: Denen wird oft vorgeworfen, die seien zu komplex, nicht verständlich genug. Es gibt die Hürde bei der Einführung. Könnten diese Hürden nicht mit KI erheblich abgesenkt werden?

Eugen Schindler: Da gibt es glaube ich noch ein bisschen extra Hürden, ne? Also wenn man denkt vor allem an so was wie SysML. SysML 1 hat ja sowieso nicht die genügend sagen wir mal formelle Basis, um überhaupt Analysen und so machen zu können.

Eugen Schindler: Das war vor allem für Dokumentation gedacht. Bei SysML 2 die Spezifikation ist jetzt seit August raus, ne, wird schon die Basis der Komponentenmodelle wird besser, es ist mehr analysierbar.

Eugen Schindler: Aber dann, wenn man wieder redet über die Verantwortung so tief wie möglich legen und die Verknüpfung mit den detaillierten Engineering-Modellen, ja, da ist leider der Schritt immer noch nur: Ja, dann benutz eine API.

Eugen Schindler: Und das fürchte ich ist nicht genügend. Da muss man schon wirklich auf dem semantischen Level, wie Alexander auch gesagt hat, müsste man da schon viel mehr machen, damit das effektiv funktioniert.

Eugen Schindler: Damit man auch seine Viewpoints kriegt, damit man von seinem Kontext aus als Engineer die Information sagen wir mal in den Mix reinschmeißen kann und auch die Information von anderen wieder effektiv zu sich holen kann.

Eugen Schindler: Und was betrifft DSLs? Es ist ein Baustein würde ich sagen. SysML ist ja auch nur eine Sprache kann man auf verschiedene Arten und Weisen implementieren, aber da gibt es schon den Trend, dass DSLs helfen auf jeden Fall mit der UI-Forming sagen wir mal.

Eugen Schindler: Du kannst selber kontrollieren als Firma, wie du deine Prozesse einrichtest rund um die UIs und bist nicht in diesem Vendor-Lock-in, wo du sagst: Okay, jetzt können wir ein Tool nicht leicht auswechseln, weil wir unsere Prozesse drauf eingerichtet haben.

Eugen Schindler: Und natürlich auch wegen den Verknüpfungen auf Sprachen-Level kann kommen diese Sachen, die man dann mit den LLMs macht, viel näher dran.

Alexander Nissen: Ja ich glaube der Punkt von General Purpose Sprachen haben so ein bisschen das Problem, dass sie natürlich schon Dinge formalisieren, dass aber vieles einfach noch in den Köpfen der Ingenieure bleibt und gar nicht ins Modell fließt.

Alexander Nissen: Das heißt, man nutzt dieses Modell als Vehikel zum Austausch, aber viele Informationen fließen am Modell vorbei. Und das wird glaube ich auch SysML v2 nicht aufräumen.

Alexander Nissen: Und domänenspezifische Sprachen, ergänzende domänenspezifische Modelle haben natürlich schon die Möglichkeit noch mal zusätzliches Wissen dazu zu geben, Informationen zu formalisieren.

Alexander Nissen: Die mit einer General-Purpose-Sprache einfach sich nur schwer einfangen lassen. Deswegen glaube ich in die Kombination aus beidem und das Integrieren von unterschiedlichen Partialmodellen zu unterschiedlichen Aspekten, das hat schon gewissen Hebel an der Stelle.

Dr. Jörg Karl Berroth: Ich bin jetzt nicht der DSL-Entwickler, das ist euer Turf, aber was mir dann natürlich kommt ist: Die DSL soll genau das aufheben, was Alex gesagt hat und dafür sorgen, dass ich semantisch alle Informationen, die eben notwendig sind für diesen Kontext schreibe.

Dr. Jörg Karl Berroth: Dadurch hat sie wie Nutzer der Fragestellende gesagt dennoch immer noch eine gewisse Komplexität. Und da könnte ich mir schon vorstellen, dass wenn man dieses Sprachmodell als Kontext gibt mit einem LLM natürlich in die Sprache übersetzen kann.

Dr. Jörg Karl Berroth: Und dann natürlich auch fehlende Bausteine zusätzlich abfragen kann und damit quasi die Komplexität der Sprache komplett zunichte macht und das auf die natürliche Sprache hebt.

Alexander Nissen: Dass KI so ein bisschen das Handwerkliche abnimmt beim Erstellen und Arbeiten mit dem Modell.

Felix Lerche: Ja eine ganz konkrete pragmatische Frage ist auch noch gestellt worden. Jemand hat gesagt: Die Formalitäten der KI überlassen und mich auf meine Aufgaben als Engineer konzentrieren, finde ich ein super Zitat.

Felix Lerche: Gibt es denn schon konkrete Beispiele für eben genau so etwas? Wo schon konkret so gearbeitet worden ist? Hat das gut funktioniert und wie stellt man die Qualität sicher von den Arbeitsprodukten, die wirklich dann in diesen Arbeitsschritten entwickelt werden?

Alexander Nissen: Ja ich glaube das Erzeugen von solchen Modellen, da gibt es schon Erfahrungen auf Basis von DSLs haben wir es zum Beispiel auch in unserem Zustandsmodellierungswerkzeug YAKINDU integriert.

Alexander Nissen: Und ich glaube das ist auch der Hebel für die Absicherung. Wenn ich sozusagen KI und formale Modelle kombiniere, dann habe ich auch Absicherungsmöglichkeiten, weil diese formalen Modelle, die kann ich mit klassischen Methoden validieren.

Alexander Nissen: Die kann ich vielleicht ausführen, da kann ich einfacher absichern, dass das, was da erzeugt wurde, auch ein sinnvolles Modell ist. Also glaube ich ist das schon Hebel und ein bisschen Antwort auf diese Frage: Formale Modelle in Kombination mit KI.

Eugen Schindler: Ja, wenn man das dann wieder weiterzieht in die Systems Engineering Welt, dann hat man ja natürlich nicht nur ein Modell, sondern viele verschiedene Modelle. Und wenn man da die richtige Verbindung hat, aber das kriegt man halt eben nicht gratis.

Eugen Schindler: Das muss man als Firma auch machen, ne? Das sind meine Domänen und darin muss ich halt eben gut oder schnell oder was auch immer sein. Wenn man dafür die Investierung macht, dann kann man das natürlich an der Vorderseite machen.

Eugen Schindler: Also ich habe es noch nicht in der Wirklichkeit vollständig gesehen integriert mit einer LLM. Schon einige akademische Beispiele gesehen und selbst auch mit was mit Masterstudenten gemacht und so.

Eugen Schindler: Und was man da vor allem also die Fragestellung ist immer wichtig. Welche Frage stelle ich, was kriege ich raus? Aber was darunter ist, ist auch dass die also wenn ich nur ein Modell habe, dann kann man das relativ gut schon machen so wie mit Programmiersprachen auch.

Eugen Schindler: Aber wenn ich jetzt zum Beispiel zwei Modelle habe, etwas was Mechanik und Elektronik hat und ich muss das irgendwie auf System Level zusammenkriegen, dann muss ich erst diese Abbildung haben und die kriegst du nicht gratis nur durchs LLM. Aber wenn du das einmal hast, dann kannst du dann die Power unlocken, wollen wir mal sagen.

Dr. Jörg Karl Berroth: Ja wir sehen das zum Beispiel in Pilotierung von den Zusammenschalten von Chatbots mit Berechnungsmodellen, die typischerweise der Berechnungsingenieur durchgeführt hat, die dann jetzt aber quasi schon einer Stufe davor dem Sales-Mitarbeiter zur Verfügung gestellt werden soll.

Dr. Jörg Karl Berroth: Der dann auf Anfrage genau diese Modelle triggert. Und da sage ich Pilotierung warum? Weil typischerweise wir das demonstriert haben, dass es funktioniert, alle finden es klasse.

Dr. Jörg Karl Berroth: Aber wir haben es natürlich noch nicht dem gesamten Sales-Team zur Verfügung gestellt und können nicht sagen, wie gut die Qualität ist, wenn unterschiedliches Prompting in dieses Netz geht. Also wie stabil dann auch tatsächlich die Lösung dahinter ist.

Dr. Jörg Karl Berroth: Also da steckt schon noch viel Trial-and-Error am Ende dahinter. Aber es wird also wir sehen, dass es funktioniert, wir arbeiten aber jetzt auch an der Robustness letztendlich.

Felix Lerche: Ich kann selbst auch sagen wir selbst haben auch uns Werkzeuge intern entwickelt, die uns unterstützen auch mit halb-agentischen Fähigkeiten, noch nicht voll autonom, weil wir eben auch sehen, dass wir das lernen müssen damit umzugehen.

Felix Lerche: Weil man auch debuggen muss ganz aktiv das Werkzeug. Um jetzt so ein bisschen auch zum Ende zu kommen mit Blick auf die Zeit, würde ich gerne noch mal eine letzte Abschlussrunde motivieren.

Felix Lerche: Und euch allen die gleiche Frage stellen: Was macht euch vor allem optimistisch, wenn ihr auf die nächsten fünf Jahre schaut? Was würdet ihr da nach vorne stellen?

Felix Lerche: Wer möchte mal loslegen? Du guckst mich so gezielt an, Jörg. Alexander?

Alexander Nissen: Ja ich glaube es gibt immer Chancen und man liest in den Zeitungen natürlich viel über die Verlierer, weil die Gewinner die entstehen, die sieht man erst ein paar Jahre später.

Alexander Nissen: Von daher sehe ich da die Gefahr nicht. Ich habe heute Morgen noch gelesen, 63% der Berufe, die es heute gibt, gab es 1940 noch nicht.

Alexander Nissen: Das heißt, es entstehen einfach neue Berufsfelder, Tätigkeiten ändern sich. Ich glaube, die Arbeit wird uns nicht ausgehen an der Stelle. Zum Glück.

Alexander Nissen: Von daher und ich bin sowieso ja als gebürtiger Rheinländer Berufsoptimist. Von daher, das wird schon alles besser und spannend werden.

Felix Lerche: Jörg, was macht dich optimistisch, wenn du auf die nächsten fünf Jahre blickst?

Dr. Jörg Karl Berroth: Also als ich das Thema MBSE angefangen habe und man mich gefragt hat: Wie lange dauert das denn, bis das in den Unternehmen verankert ist und ich dann gesagt habe, na es wird schon noch so 15 Jahre dauern, ich war mal nicht eine ganze Generation aber 15 Jahre wird es schon dauern.

Dr. Jörg Karl Berroth: Dann habe ich jetzt nach acht Jahren gedacht oder nach sechs Jahren habe ich gedacht, das ist schon Arbeit. Und mit den Technologien, die wir jetzt haben, diesen starken Sprachmodellen und all dem, was wir dahinter setzen.

Dr. Jörg Karl Berroth: Glaube ich ist das Ziel erreichbar und dann ist das quasi, dass wir in fünf Jahren es wirklich schaffen, sehr digital durchgängig mit einer hohen Traceability durch eine sehr auch nutzerzentrierte Anwendung das Thema Systems Engineering schon auf ein neues Level gehoben zu haben.

Dr. Jörg Karl Berroth: Und dann braucht keiner Angst haben um seinen Job, also wir werden mehr Arbeit denn je haben, werden aber auch mehr und schneller innovieren als denn je, so meine Meinung.

Dr. Jörg Karl Berroth: Sollten wir uns also nicht verstecken dahinter, dass wir große Innovatoren waren und das jetzt bald nicht mehr sein werden. Ich glaube wir kriegen jetzt erst das Werkzeug es wirklich wieder zu werden, gerade wenn man so auf große Konzernkontexte guckt, die eben schon lange da sind und sehr viel in ihre Absicherung stecken.

Felix Lerche: Eugen, gibt es etwas, was in dir Optimismus auslöst, wenn du an die nächsten fünf Jahre denkst?

Eugen Schindler: Also es gibt da so einen Film, der heißt Hidden Figures. Und da geht es darüber, dass früher Computers, das waren eigentlich Frauen bei NASA, die haben all die Berechnungen gemacht.

Eugen Schindler: Und da kamen die Leute rein mit diesen IBM Maschinen, das waren dann zum ersten Mal Computer. Und die sagen wir mal die Führerin von den Frauen, die Führungskraft, die hat ein Buch geklaut aus der Bibliothek, wie man das programmieren muss.

Eugen Schindler: Und die hat den Leuten erklärt: Was denkt ihr, wer die Knöpfchen drücken muss? Und ungefähr so fühle ich mich gerade in diesem Moment in der Transition bei KI und allem all diesen neuen Techniken und so.

Eugen Schindler: Also ich denke, man kann tatsächlich auf diese Änderung kann man auf zwei Arten und Weisen reagieren oder Angst und weglaufen, Avoid, ne? Oder man sagt Embrace und sogar Drive und vorantreiben selber.

Eugen Schindler: Imagineering geht nicht, wenn man Angst hat, ne? Dann schließt sich der Neocortex, dann hat man keine Kreativität, dann kann man nichts tun. Also ich finde es wirklich eine interessante Zeit.

Eugen Schindler: Und ich würde auch tatsächlich allen Leuten, ob man jetzt eine Führungskraft ist oder man ist eine Arbeitskraft, ein Engineer oder so, zu sagen lege die Ängste beiseite und fang an mit all diesen neuen Techniken zu spielen.

Eugen Schindler: Dann bist du an der Vorderseite und dann kannst du die auch zum Maximum benutzen. Das Lernen geht wirklich nur durchs zu tun.

Felix Lerche: Gut, mit diesen inspirierenden, mich haben sie zumindest sehr inspiriert, Schlussworten würde ich dann sagen haben wir einen guten Schlusspunkt gesetzt.

Felix Lerche: Ich freue mich sehr, dass ihr, dass Sie zugeschaut haben, dass Sie und ihr uns die Treue haltet. Folgt gerne unserem Format itemis PODIUM, auch nächste Woche wieder und wünsche euch eine schöne Woche. Danke, Tschüss.