Überwindung der Programmierkluft in der Produktion und Fertigung

Motivation

Die fortschreitende Digitalisierung von Fertigungs- und Produktionssystemen hat zu einer grundlegenden Veränderung der Industrielandschaft geführt [1]. Moderne Technologien wie das Internet der Dinge (IoT), künstliche Intelligenz (KI) und die Datenanalyse werden in zunehmendem Maße in Produktionsprozesse integriert, wodurch der Bedarf an Arbeitskräften, welche sich in diesen Bereichen auskennen, steigt [2]. Ingenieure müssen sich daher zwingend mit Programmierkenntnissen auseinandersetzen, um digitale Systeme entwickeln, implementieren und warten zu können. Allerdings besteht eine signifikante Diskrepanz zwischen den erforderlichen Programmierkenntnissen und den aktuellen Fähigkeiten vieler Ingenieure im Fertigungssektor.

Die identifizierte Qualifikationslücke lässt sich auf mehrere Faktoren zurückführen. In den traditionellen Lehrplänen für Ingenieure wurde der Programmierung nur eine untergeordnete Rolle beigemessen, wobei der Fokus auf fachspezifischem Wissen und praktischen Anwendungen lag [3]. Erst in jüngster Zeit haben Bildungseinrichtungen damit begonnen, umfassende Programmierkurse in ingenieurwissenschaftliche Studiengänge zu integrieren. Darüber hinaus werden Programmiertätigkeiten in Unternehmen häufig von spezialisierten IT-Abteilungen ausgeführt, wodurch sie von der Produktionsplanung, der Qualitätssicherung und anderen Kernteams getrennt werden. Diese Trennung erschwert die gemeinsame Entwicklung integrierter Lösungen und verlangsamt die Einführung digitaler Technologien in der Produktion.

Um diese Lücke zu schließen, haben sich No-Code- und Low-Code-Plattformen wie KNIME, Tableau und Power BI durchgesetzt. Diese Werkzeuge ermöglichen es den Benutzern, Datenanalysen durchzuführen und Anwendungen mit minimalem Programmieraufwand zu erstellen, was die Einstiegshürde für Nicht-Programmierer senkt. Während diese Plattformen für bestimmte Anwendungen von Vorteil sind, stoßen sie bei komplexeren Aufgaben wie der Integration von KI über die grundlegende Datenanalyse hinaus, der Anbindung an proprietäre Systeme oder der Anpassung fortgeschrittener Funktionen an ihre Grenzen [4]. Die ausschließliche Verwendung von No-Code- und Low-Code-Lösungen kann die Entwicklung grundlegender Programmierfähigkeiten bei Ingenieuren unbeabsichtigt verzögern [5].

Das Aufkommen von KI-basierten Coding-Assistenten wie GitHub Copilot bietet eine neue Möglichkeit, Programmierkenntnisse im Fertigungssektor zu verbreiten. Diese auf großen Sprachmodellen (Large Language Models, LLMs) basierenden Assistenten sind in der Lage, auf der Grundlage von Eingabeaufforderungen in natürlicher Sprache Codeausschnitte zu generieren, kontextbezogene Fehleranalysen durchzuführen, Code zwischen Programmiersprachen zu übersetzen und sogar Dokumentationen zu erstellen. Sie fungieren als interaktive Partner, die den Benutzer bei der Problemlösung unterstützen und Programmierkonzepte in Echtzeit erlernen [6].

Diese Fähigkeiten haben das Potenzial, die Herangehensweise von Ingenieuren an Programmieraufgaben zu verändern [7]. Durch die Verkürzung der Lernkurve im Vergleich zu herkömmlichen Programmiersprachen können KI-basierte Coding-Assistenten Ingenieure in die Lage versetzen, maßgeschneiderte Lösungen zu entwickeln, die Automatisierung zu verbessern und effektiver zu Initiativen für den digitalen Wandel in ihren Unternehmen beizutragen. Darüber hinaus erleichtern sie das lebenslange Lernen und die Weiterentwicklung von Fähigkeiten, sodass Ingenieure mit dem raschen technologischen Fortschritt Schritt halten können.

Die Integration von GPT-basierten Programmierwerkzeugen in die Ingenieurpraxis ist jedoch nicht ohne Herausforderungen [8]. Komplexe Software-Architekturen und die konsequente Anwendung von Programmierparadigmen wie der objektorientierten Programmierung (OOP) sind nach wie vor Bereiche, in denen diese Werkzeuge Schwierigkeiten haben könnten. Es besteht auch die Gefahr, dass fehlerhafter oder suboptimaler Code erzeugt wird, insbesondere bei komplexen algorithmischen Problemen, was die Bedeutung der Förderung solider Grundkenntnisse und eines kritischen Ansatzes bei der Validierung und beim Testen von Code unterstreicht.

Funktionsweise von KI-basierten Coding-Assistenten

KI-basierte Coding-Assistenten stellen eine Art Werkzeug dar, welches den Entwicklungsprozess vereinfachen und beschleunigen soll. Die Unterstützung erfolgt durch die effiziente Erstellung von Code auf Basis unterschiedlicher Eingaben. In Abhängigkeit von der Art der Eingabe lassen sich die folgenden Unterstützungsmechanismen differenzieren. Bild 1 demonstriert exemplarische Eingaben der diversen Eingabearten anhand eines typischen ingenieurswissenschaftlichen Anwendungsfalls. Die Programmieraufgabe besteht darin, eine CSV-Datei einzulesen, eine Spalte zu selektieren und eine Fast-Fourier-Transformation der Messwerte dieser Spalte zu berechnen. Die Aufgaben können hierbei in fünf Kategorien unterteilt werden:

Bild 1

Übersicht über die Funktionsweise von KI-basierten Coding-Assistenten

1. Code aus Prompts

   Der Assistent generiert auf Basis einer in natürlicher Sprache formulierten Idee oder Aufgabenstellung funktionierenden Code. Dabei ist eine detaillierte Beschreibung der Problemstellung und Anforderungen erforderlich.

2. Code aus Code-Kontext und -Kommentaren

   Unter der Voraussetzung, dass bereits Teile des Codes verfasst und Anforderungen in Form von Kommentaren hinterlegt wurden, ist der Assistent in der Lage, den fehlenden Code zu ergänzen. Durch die Einbeziehung des bereits angefertigten Codes erfolgt die Generierung des neuen Codes.

3. Code-Erklärung

   Sofern ein Abschnitt eines Codes als unverständlich erachtet wird, besteht die Möglichkeit, den Assistenten zu Rate zu ziehen, welcher eine Klarstellung vornimmt. Diesbezüglich wird Unterstützung bei der Ergründung der Logik, Struktur und Funktionsweise des Codes geboten.

4. Fehleranalyse

   Bei einer fehlerhaften Ausführung des Codes oder einer Abweichung von den erwarteten Funktionsweisen erfolgt durch den Assistenten eine Identifikation der Ursachen. Basierend auf einer Analyse des Codes werden Logikfehler, Syntaxprobleme oder andere Unstimmigkeiten aufgezeigt, woraufhin Empfehlungen zur Behebung des Problems gegeben werden.

5. Code-Übersetzung

   Der Assistent ist imstande, unterschiedliche Arten von Code-Übersetzungen vorzunehmen. Einerseits ist er imstande, Code von einer Programmiersprache in eine andere zu übertragen, beispielsweise von Python nach Java. Des Weiteren ist eine Übertragung von Code in der gleichen Programmiersprache zu unterschiedlichen Lösungskonzepten möglich. Ein Beispiel hierfür bilden die Frameworks TensorFlow und PyTorch, die für die Erstellung von Modellen des Deep Learning verwendet werden können. Eine Übersetzung der unterschiedlichen Syntax dieser beiden Konzepte kann durch KI-Coding-Assistenten unterstützt werden. Dabei ist jedoch sicherzustellen, dass die Funktionalität des ursprünglichen Codes erhalten bleibt und den definierten Anforderungen entspricht.

Unterschiede zu No-Code- /Low-Code-Systemen

Die zunehmende Digitalisierung in der Fertigungsindustrie hat sowohl zur Entwicklung von No-Code-/Low-Code-Plattformen (NC-/LC-Plattformen) als auch von KI-basierten Coding-Assistenten geführt. Beide Ansätze zielen darauf ab, die Softwareentwicklung zu vereinfachen und den Zugang für Personen mit begrenzten Programmierkenntnissen zu erleichtern. Dennoch unterscheiden sie sich in Bezug auf ihren Anwendungsbereich, ihre Flexibilität und ihre Einschränkungen.

Zusammenfassung und Ausblick

Die digitale Transformation der Fertigungsindustrie bedingt eine verstärkte Einbindung von Programmierkenntnissen in ingenieurswissenschaftliche Studiengänge, um den steigenden Anforderungen an die Berufsgruppe gerecht zu werden. Die traditionelle Trennung zwischen IT-Abteilungen und Kernteams sowie die begrenzte Programmierausbildung in ingenieurwissenschaftlichen Studiengängen haben zu einer signifikanten Diskrepanz zwischen den erforderlichen und den tatsächlich vorhandenen Qualifikationen geführt. Obgleich No-Code-/Low-Code-Platt-

formen einen ersten Schritt zur Überbrückung der identifizierten Defizite darstellen, zeigen sie sich bei komplexeren Anforderungen als unzureichend und können die Entwicklung tiefergehender Programmierkompetenzen verzögern.

In diesem Kontext erweisen sich GPT-basierte Coding-Assistenten als vielversprechende Alternative. Ihre Kompetenz, Code aus natürlichen Spracheingaben zu generieren, Fehler zu analysieren und Code zwischen verschiedenen Sprachen zu übersetzen, erlaubt es Ingenieuren, sich unmittelbar mit traditionellen Programmierpraktiken zu befassen. Dies kann dazu beitragen, die Lernkurve erheblich zu verkürzen und die Entwicklung maßgeschneiderter Lösungen zu fördern.

Dennoch sind auch KI-basierte Coding-Assistenten nicht ohne Einschränkungen zu betrachten. Die Qualität des generierten Codes variiert und erfordert eine sorgfältige Überprüfung. Zudem sind grundlegende Programmierkenntnisse weiterhin essenziell, um die Vorschläge der Assistenten effektiv zu nutzen und potenzielle Fehler zu erkennen. Herausforderungen wie das begrenzte Kontextverständnis und die Abhängigkeit von Trainingsdaten unterstreichen die Notwendigkeit eines kritischen Umgangs mit diesen Werkzeugen.

Daher ist für eine erfolgreiche Integration von GPT-basierten Coding-Assistenten in die Ingenieurpraxis ein integrativer Ansatz erforderlich, der verschiedene Aspekte berücksichtigt. Ein solcher Ansatz beinhaltet Schulungen, welche die grundlegenden Programmierfähigkeiten stärken, sowie die Förderung eines kritischen Bewusstseins für die Grenzen und Risiken der KI-Tools. Die Kombination der Stärken von KI-Assistenten mit fundierten Programmierkenntnissen ermöglicht eine bessere Vorbereitung von Ingenieuren auf die Herausforderungen der digitalen Transformation.

Im Rahmen zukünftiger Forschungsarbeiten sollte die Effektivität von GPT-basierten Coding-Assistenten in realen industriellen Anwendungen evaluiert werden. Darauf aufbauend sind Strategien zu entwickeln, um ihr Kontextverständnis und ihre Zuverlässigkeit zu verbessern. Zudem sind Bildungsprogramme anzupassen, um die nächste Generation von Ingenieurinnen und Ingenieuren mit den notwendigen Fähigkeiten auszustatten, um sowohl traditionelle Programmiermethoden als auch moderne KI-Werkzeuge effektiv nutzen zu können.