Projekt Beschreibung
Projekte
Künstliche Intelligenz für Qualitätssicherung
Alle sprechen über KI – so auch die ESA und die etamax. Wir sind an vorderster Front dabei, wenn es darum geht, auf Basis von Machine-Learning-Technologien den nächsten Schritt in der Qualitätssicherung zu machen.
Hierzu führen wir sowohl für die ESOC als auch die ESTEC verschiedene Studien durch, um die Machbarkeit verschiedener Denkansätze zu überprüfen und nachzuweisen:
- Wie kann der Computer die mühselige Arbeit der Fehler- und Ursachenanalyse nach automatisierter Testdurchführung übernehmen?
- Können Testspezifikationen durch modellgetriebene Entwicklungsansätze in Kombination mit AI-Technologien die automatisiert generiert und durchgeführt werden?
- Wie kann ein Frühwarnsystem aussehen, das in Echtzeit die Log-Datei komplex verteilter Systeme zusammenträgt, sie analysiert und bei operationeller Software auf mögliche Probleme hinweist?
Insbesondere bei hochkomplexen Systemen mit sehr langen Lebenszyklen – wie dem Bodensegment in der Weltraumbranche – werden seit Jahren Daten hinsichtlich manueller Ergebnisanalysen gesammelt. Wir möchten diese nutzbar machen, um die Fehlerursachen bei fehlgeschlagenen Testläufen noch schneller zu identifizieren.
Alle sprechen über KI – so auch die ESA und die etamax. Wir sind an vorderster Front dabei, wenn es darum geht, auf Basis von Machine-Learning-Technologien den nächsten Schritt in der Qualitätssicherung zu machen.
Hierzu führen wir sowohl für die ESOC als auch die ESTEC verschiedene Studien durch, um die Machbarkeit verschiedener Denkansätze zu überprüfen und nachzuweisen:
- Wie kann der Computer die mühselige Arbeit der Fehler- und Ursachenanalyse nach automatisierter Testdurchführung übernehmen?
- Können Testspezifikationen durch modellgetriebene Entwicklungsansätze in Kombination mit AI-Technologien die automatisiert generiert und durchgeführt werden?
- Wie kann ein Frühwarnsystem aussehen, das in Echtzeit die Log-Datei komplex verteilter Systeme zusammenträgt, sie analysiert und bei operationeller Software auf mögliche Probleme hinweist?
Insbesondere bei hochkomplexen Systemen mit sehr langen Lebenszyklen – wie dem Bodensegment in der Weltraumbranche – werden seit Jahren Daten hinsichtlich manueller Ergebnisanalysen gesammelt. Wir möchten diese nutzbar machen, um die Fehlerursachen bei fehlgeschlagenen Testläufen noch schneller zu identifizieren.
Details
Kunde
ESA/ESOC
ESA/ESTEC
Kunde
ESA/ESOC
ESA/ESTEC
Aufgaben
- Softwaretests auf unterschiedlichen Testebenen und Testumgebungen
- Statische Code-Analysen sowie Unit-Tests auf Quellcode-Ebene
- Integrationstests auf Simulatoren oder Hardware
- Hardware-in-the-loop-Tests
- Modellbasiertes Testing
-
Softwaretests auf unterschiedlichen Testebenen und Testumgebungen
-
Statische Code-Analysen sowie Unit-Tests auf Quellcode-Ebene
-
Integrationstests auf Simulatoren oder Hardware
-
Hardware-in-the-loop-Tests
-
Modellbasiertes Testing
Techniken und Werkzeuge
Techniken und Werkzeuge
- NORMA – modellbasierte Entwicklung
- Diverse Machine-Learning-Algorithmen
- Art Framework
- Hochsprache wie Java, Python, Bash
- Doors, HP ALM, MS Office
- ECSS-Normen
-
NORMA – modellbasierte Entwicklung
-
Diverse Machine-Learning-Algorithmen
-
Art Framework
-
Hochsprache wie Java, Python, Bash
-
Doors, HP ALM, MS Office
-
ECSS-Normen