Lehrvortrag: Softwareentwicklung im Zeitalter von KI
Große Sprachmodelle (Large Language Models, LLMs) spielen eine immer größer werdende Rolle in der Softwareentwicklung. In diesem Vortrag werden zunächst die fachlichen Hintergründe dieser Entwicklung betrachtet und die Auswirkungen und Möglichkeiten der Integration von LLMs in aktuelle Programmierumgebungen diskutiert. Damit verbunden erfolgt die Vorstellung einiger grundlegender Techniken für den Umgang mit LLMs, wie das Prompt Engineering und die Anbindung zusätzlicher Datenquellen zur Kontextualisierung der Modelle. Abschließend werden verschiedene Szenarien der Integration von KI in den Lebenszyklus der Softwareentwicklung skizziert.
Forschungsvortrag
I present my previous and current research in the subfields relevant to the position. This includes research and development in software tools for model-based software-language engineering, as well as in the design and implementation of domain-specific languages for certain domains. I will briefly discuss my work on syntax-safe code generation and composition of program fragments/variants, which was the main topic of my dissertation. I will also present some of my work in the development of robust and safe software. The presentation concludes with excerpts from my recently initiated research projects.
11:30 Uhr – Herr Dr. Malte Mues
Lehrvortrag: Softwareengineering für KI gestützte Systeme und mit KI
KI hält unweigerlich Einzug in die moderne Welt der Softwareentwicklung. Dies wirkt sich an zwei Stellen auf die Disziplin des Softwareengineerings aus. In Zukunft bekommen wir zunehmend mehr Systeme, in denen KI-Komponenten Entscheidungen treffen. Wir brauchen also Entwicklungspraktiken und -vorgehen, um mit diesen KI-Komponenten umzugehen. Der Vortrag geht kurz darauf ein, wie dies Softwareengineering beeinflusst. Im Kontrast dazu beleuchte ich kurz, welche Chancen entstehen, wenn KI-Akteure Aufgaben in der Softwareentwicklung übernehmen.
Forschungsvortrag: Programming Techniques for Software Quality Assurance
My main research interests are methods and tools for ensuring high-quality software. In the past, I focused mainly on dynamic IT security analysis of Java web applications and code generation techniques for data analytics in the geochemistry domain. This talk links highlights how programming techniques link these two research domains. A short vision on (semi-) formal programming techniques for automotive software engineering closes the talk.
14:00 Uhr – Herr Dr. Jonas Posner
Lehrvortrag: Softwareentwicklung im Zeitalter von KI
Generative Künstliche Intelligenz (KI) hat sich in den letzten Jahren rasant weiterentwickelt. Mithilfe großer Sprachmodelle (Large Language Models, LLMs) können heute Texte, Bilder, Videos und andere Inhalte automatisch erzeugt werden. Diese Technologie hat das Potenzial, die Softwareentwicklung grundlegend zu verändern. Bereits heute unterstützen Tools wie GitHub Copilot1 und der JetBrains AI Assistant2 Entwickler: innen durch automatische Codevervollständigung, Vorschläge und Refaktorierungen. Die Tools analysieren bestehenden Code und generieren passende Ergänzungen oder Alternativen. Auf diese Weise lassen sich Routineaufgaben automatisieren, Entwicklungsprozesse beschleunigen und typische Fehlerquellen reduzieren. Die Lehrprobe beleuchtet die Rolle generativer KI in der Softwareentwicklung mit einem Fokus auf Herausforderungen und Risiken. Da sich die Veranstaltung an Masterstudierende richtet, werden aktuelle wissenschaftliche Publikationen einbezogen.
• Korrektheit von generiertem Code [1, 2]:
LLMs erzeugen Code auf Basis statistischer Muster, ohne ein tiefgehendes semantisches Verständnis. Der resultierende Code ist oft syntaktisch korrekt, erfüllt aber nicht zwingend die beabsichtigte Funktionalität. In diesem Teil untersuchen wir, wie zuverlässig generierte Lösungen sind und ob die Modelle selbst zur Validierung beitragen können.
• Effizienz und Performance [3, 4]:
Funktional korrekter Code kann ineffizient oder ressourcenintensiv sein. Daher diskutieren wir, wie sich die Effizienz von KI-generiertem Code bewerten lässt. Im Anschluss an die Vorlesung bearbeiten die Studierenden praktische Aufgaben mit Tools wie ChatGPT oder GitHub Copilot. Dabei identifizieren sie typische Probleme und reflektieren, wie sich diese systematisch erkennen und beheben lassen. Ziel der Vorlesung ist es, die Studierenden für Chancen und insbesondere Risiken generativer KI in der Softwareentwicklung zu sensibilisieren. Sie sollen lernen, KI-gestützte Werkzeuge kritisch zu hinterfragen, ihre Vorschläge zu analysieren und verantwortungsvoll mit ihnen umzugehen.
Referenzen
[1] Jiawei Liu et al. Is your code generated by ChatGPT really correct? Rigorous evaluation of large language models for code generation. In Proceedings NeurIPS. ACM., 2023. 10.5555/3666122.3667065.
[2] Claudio Spiess et al. Calibration and Correctness of Language Models for Code. In Proceeding ICSE. IEEE, 2025. 10.1109/ICSE55347.2025.00040.
[3] Tristan Coignion et al. A Performance Study of LLM-Generated Code on Leetcode. In Proceedings EASE. ACM, 2024. 10.1145/3661167.3661221.
[4] Minda Li et al. Evaluating ChatGPT-3.5 Efficiency in Solving Coding Problems of Different Complexity Levels: An Empirical Analysis. arXiv, 2024. 10.48550/arXiv.2411.07529.
1 https://github.com/features/copilot
2 https://www.jetbrains.com/ai
Forschungsvortrag: Transparent Resource Adaptivity for Task-Based Applications on Supercomputers
Traditional resource management in supercomputers is inherently static: jobs request a fixed set of resources that remain unchanged throughout execution. This rigidity limits the flexibility of job scheduling and prevents programs from adapting to changing computational needs, leading to inefficiencies of the supercomputer. Resource Adaptivity, which enables jobs to dynamically adjust resource allocations at runtime, offers a promising solution but is rarely used in practice due to insufficient support from resource managers and programming systems. This scientific lecture explores the potential of Asynchronous Many-Task (AMT) programming for facilitating resource adaptivity, leveraging its transparent resource management. AMT runtime systems dynamically assign user-defined tasks to processing units, ensuring load balancing and adaptation to resource changes with minimal programmer intervention. We present task-level techniques for malleability, where the resource manager initiatesr esource changes, and evolving execution, where programs initiate resource changes. These techniques enable dynamic resource changes without interrupting computation. Automatic load detection heuristics determine when to start or terminate processes, making them beneficial for irregular and unpredictable workloads. To demonstrate practical feasibility, we have implemented these techniques in the APGAS AMT system combined with a Global Load Balancing library. A communication interface enables seamless coordination between jobs and a prototype resource manager. Evaluations show significant improvements in batch makespan, node utilization, and job turnaround times for both malleable and evolving programs. Currently, we are developing a new adaptive AMT runtime system based on the experimental DPP MPI extension, achieving superior performance over our previous approaches. This lecture synthesizes key contributions from my research (see references), offering insights into the opportunities and challenges of resource adaptivity for supercomputers.
References
[1] Jonas Posner, Nick Bietendorf, Dominik Huber, Martin Schreiber, and Martin Schulz. Dynamic Resource Management: Comparison of Asynchronous Many-Task (AMT) and Dynamic Processes with PSets (DPP). In WAMTA, 2025. To appear. Slides.
[2] Jonas Posner. The Impact of Evolving APGAS Programs on HPC Clusters. In DynResHPC, 2024. To appear. Slides. Preprint.
[3] Jonas Posner, Raoul Goebel, and Patrick Finnerty. Evolving APGAS Programs: Automatic and Transparent Resource Adjustments at Runtime. In WAMTA, 2024. 10.1007/978-3-031-61763-8_15. Slides.
[4] Patrick Finnerty, Jonas Posner, Janek Bürger, Leo Takaoka, and Takuma Kanzaki. On the Performance of Malleable APGAS Programs and Batch Job Schedulers. Springer Nature Computer Science, 2024. 10.1007/s42979-024-02641-7.
[5] Jonas Posner, Fabian Hupfeld, and Patrick Finnerty. Enhancing Supercomputer Performance with Malleable Job Scheduling Strategies. In PECS. Springer, 2023. 10.1007/978-3-031-48803-0_14. Slides.
[6] Patrick Finnerty, Reo Takaoka, Takuma Kanzaki, and Jonas Posner. Malleable APGAS Programs and their Support in Batch Job Schedulers. In AMTE. Springer, 2023. 10.1007/978-3-031-48803-0_8. Slides.
Alle interessierten Personen sind herzlich eingeladen!
3.500 Gäste bei den Chemnitzer Linux-Tagen 2025 – Viele freiwillige Helferinnen und Helfer sorgten für das Gelingen einer der bundesweit größten Veranstaltungen rund um das freie Betriebssystem …
100 Teilnehmende widmeten sich dem Leitthema „Datenströme und Kulturoasen – Die Informationswissenschaft als Bindeglied zwischen den Informationswelten“ …
TUC-Studierende können sich noch bis 31. März 2025 für ein Stipendium und die Teilnahme an der Internationale Summer School an der TU Bia?ystok bewerben …
Zwei Dienstjubilare erhielten am 20. März 2025 im Rahmen einer Feierstunde ihre Dankurkunden aus den Händen des Rektors und des Kanzlers der TU Chemnitz …
