Okay, wunderbar, willkommen alle zu unserer Vorlesung Einführung in der Software Engineering.

Heute haben wir die letzte Inhaltslehrinheit, nächste Woche nur noch die Q&A Session mit

nochmal Tipps für ganze Semester, Klausurvorbereitung und so weiter. Und ich möchte quasi dieses

Semester jetzt damit abschließen, nochmal ein bisschen Ausblick zu geben, was sich dann vielleicht

im Software Engineering alles in Zukunft verändern wird, weil wir, ich denke gerade in einer ganz

schönen Umbruchszeit sind, insbesondere in Bezug auf maschinelles Lernen und große Sprachmodelle,

Large Language Models, GPT-4 und so weiter ist in aller Munde und die Software Pakete und KI-Systeme

programmieren wirklich hervorragend gut und ich denke, das ist etwas, was man, wenn man über

Software Engineering spricht, auf keinen Fall auslassen sollte. Es sollte jeder aus der Veranstaltung

auch mitnehmen, dass es nicht nur Projektmanagement gibt, nicht nur Anforderungsanalysen, wie man

strukturiert vorgeht, sondern auch konkret gerade neue Tools im Entstehen sind, GitHub, Copilot und

so weiter, die wirklich sich hervorragend für den Einsatz beim Software Engineering lohnen. Okay,

nachdem ich ja selber vom Lehrstuhl für Mustererkennung komme und maschinelles Lernen quasi

in gewisser Weise unser Steckenpferd dort ist, würde ich die Vorlesung quasi so strukturieren,

dass wir eine ganz kurze Einführung in maschinelles Lernen machen, jetzt nicht in die Mathematik

dahinter, sondern nur verstehen, um was es geht überhaupt, was passiert da, wie funktioniert es

und was passiert gerade bei uns, weil wirklich in den letzten mindestens zehn Jahren hat sich so

unglaublich viel verändert, dass man wirklich Probleme, von denen vor zehn Jahren, zwölf Jahren

Leute noch gedacht haben, das wird vielleicht nie möglich sein, das ist reines Science Fiction,

haben sich in den letzten Jahren eben als lösbar herausgestellt und sind heute gar nicht gäbe,

also das ist wirklich Wahnsinn, was für irre Fortschritte es gegeben hat und dann wollen wir ein

bisschen uns angucken, wie ist denn Maschinen Learning und Software Engineering, was könnte

es miteinander zu tun haben und wo geht die Reise hin mit dem maschinellen Lernen, was wird sich

dort alles tun und das wird so ein bisschen jetzt ein Blick über den Tellerrand des Software

Engineering eben hinaus, damit wir eben auch sehen, dass sich in der Informatik, wie seit Beginn der

Informatik, ständig alles umwälzt, also das wird Ihnen auch so gehen, wenn Sie in zehn Jahren eine

Informatikvorlesung, viele von den Grundlagen werden natürlich beibehalten werden, aber das

Feld hat sich regelmäßig komplett umstrukturiert und das war schon mit, also auch zu meinen Zeiten

hat sich grundlegend viel verändert und das, wir haben ja am Anfang mit so einer geschichtlichen

Perspektive angefangen, dass wir gesehen haben, da gab es irgendwie Großrechner und dann gab es

prozedurale Programmierung und plötzlich war alles objektorientiert, dann kam das Internet, hat

nochmal alles umgekrempelt und jetzt kommt plötzlich die künstliche Intelligenz, die schon wieder

alles umkrempelt und das sind Sachen, bei denen wir unbedingt am Ball bleiben müssen und natürlich

als Informatiker macht dem es einem auch Spaß und deswegen ist man auch dabei, deswegen auch hier

jetzt in Software Engineering. Okay, wie ist denn das mit dem maschinellen Lernen? Also zum einen ist,

das wird massiv in der Industrie finanziert zurzeit, es würde im großen Stil wurden Leute, die quasi

Ausbildung in maschinellen Lernen, Deep Learning ist so das Stichwort, die würden also im großen

Stil in der Industrie eingestellt und das liegt natürlich auch damit zusammen, weil es entsprechende

Durchbrüche gab, also zum Beispiel Netflix, also wenn man vor fünf Jahren Netflix benutzt hat und

sich da was empfehlen hat lassen, da hat nichts funktioniert, also die Empfehlungen von, die waren,

also es war bekannt, dass Netflix fürchterlich schlecht Filme empfehlen kann und dann haben sie

quasi eine Challenge organisiert, haben gesagt, wir geben denjenigen, der ein Empfehlungssystem

baut, das funktioniert, eine Million Dollar. Haben gesagt, das nervt uns selber, dass wir es nicht

hinkriegen, wir kriegen es nicht hin, also eine Million Dollar für den, der das System baut.

Da haben sich einige hingesetzt und sich tatsächlich dann Systeme überlegt, an den Benchmark evaluiert

öffentlich und zum Schluss haben sich dann quasi die ersten beiden, die beide noch nicht das Niveau

erreicht hatten, das Netflix gerne gehabt hätte, die haben dann zusammen gearbeitet, einen sogenannten

Ensemble Classifier, wo quasi beide Systeme gegenseitig versuchen, die Fehler des anderen

auszumatzen und haben damit die Netflix Challenge gewonnen. Netflix hat eine Million Dollar gezahlt,

aber tatsächlich die Entwicklungsarbeit, die da reingegangen ist, die hätte man, also von