Projektangebot: Es wird die Fähigkeit eines LLMs wie ChatGPT untersucht, Studieninteressierte (vll auch bereits Studierende) eines Studiengangs eine First-Level-Beratung anzubieten. Beispielhaft wird der Master DigSc betracht. Es soll evaluiert werden, ob ein Chatbot Studieninteressierten individualisierte Antworten auf typische Fragen geben könnte, also sozusagen im Sinne eines „intelligenten FAQs“.
Man siehe auch LLM-unterstützter 1st-Level Support für Studieninteressierte
Benchmarking as an established approach to make the performance of systems measurable and, above all, comparable, has recently been increasingly applied to the code generation capability of LLMs. Prominent examples are HumanEval, CodeXGLUE or CoNaLu. The development of benchmark performances over time demonstrates the growing maturity and increasing usability of LLMs, especially for widely used programming languages such as Python or JAVA. From the perspective of computer science education, this raises the question of at what level of maturity for which languages and for which aspects of teaching AI tools can be used reasonably in teaching. However, this is not just about code generation. Use cases for the use of LLM concern both learners (e.g. generating exemplary solutions, varying solutions, checking code) and 
teachers (e.g. generating exercises, illustrative programming examples, explaining and documenting program code).
In a project at TH Köln, Stephan Wallraven and Tim Köhne examined the maturity status of ChatGPT (as of fall 2023) for supporting the ABAP learning process. As a proprietary language, ABAP is relevant for the implementation of business functions in SAP systems, for example for business informatics courses. In the project, the HumanEval benchmark was adapted to ABAP so that the ABAP function modules generated by ChatGPT could be automatically evaluated for the extensive set of benchmark tasks. In addition, the benchmark was extended to include aspects such as error detection, error correction and code explanation.
Initial results show that the success rate for the generated ABAP code is many times lower than for ChatGPT-generated Python code. However, the code explanation provides promising results.
Numerous announcements and previews from major players in the ERP market such as Microsoft and SAP indicate that the next generation of development platforms will include built-in AI-based code generators in the near future. And that certainly applies to ABAP too. Here, the ABAP benchmark environment can be used in further investigations to monitor and compare the progress of the upcoming releases.
Big Player im ERP-Bereich wie Microsoft und SAP verfolgen in den letzten Jahren den Ansatz, die Entwicklung von Frontend-Applikationen in visuelle Entwicklungsumgebung zu ermöglichen, die auch Technik-affine Fachanwender adressieren soll, sogenannte Citizen Developer. Dies soll die Digitalisierung in Unternehmen beschleunigen und unabhängiger von den IT-Dienstleistern werden lassen. So hat beispielsweise die Firma SAP die NoCode/LowCode-Umgebung AppGyver erworben und bietet diese nun als SAP Build, bzw als Teil des SAP Business Technology Platform für die App-Entwicklung an. In einem Vorprojekt wurde eine Schulung für SAP Build basierend auf modernen didaktischen Ansätzen entwickelt und im Rahmen von Laborbedingungen erprobt. In diesem Folgeprojekt sollen die Erfahrungen aus dem Experiment ausgewertet und das Schulungskonzept weiterentwickelt werden.
Man siehe auch …https://prox.innovation-hub.de
Projektbeschreibung:
Zeitreihenprognosen spielen in verschiedenen wirtschaftlichen Kontexten, wie z. B. bei der Vorhersage von Aktienkursen oder Umsatzprognosen, eine äußerst wichtige Rolle. Trotz der Entwicklung verschiedener Bibliotheken für Vorhersagealgorithmen in den letzten Jahren ist es nach wie vor schwierig, diese Techniken in Unternehmen ohne die Beteiligung von Experten einzusetzen. Mit dem öffentlichen Durchbruch von ChatGPT besteht die Hoffnung, dass Large Language Models (LLMs) in Zukunft die Rolle dieser Experten übernehmen können, so dass Nichtfachleute durch den Dialog mit LLMs erfolgreich Vorhersageanwendungen implementieren können. In diesem Projekt soll untersucht werden, ob der derzeitige Stand der LLMs ausreicht, um diese Erwartungen zu erfüllen. Es wird ein Laborexperiment mit einem umfangreichen Datensatz aus einem Wirtschaftsbereich durchgeführt. Einige Projektteilnehmer werden die Rolle von Versuchspersonen und andere die Rolle von Laborleitern übernehmen. Die Aufgabe der Probanden ist es, eine auf LLM-Unterstützung basierende Vorhersageanwendung zu entwickeln und deren Vorhersagequalität bzw. Einsatzfähigkeit zu bewerten. Die Rolle der Laborleiter besteht darin, den Laboraufbau vorzubereiten, den Wissensstand der Probanden bezüglich der Zeitreihenprognose zu Beginn und am Ende des Projekts zu bewerten und den Lernfortschritt zu dokumentieren. Das Projekt ist als eine Challenge angelegt. Parallel zum Projektteam wird ein Experte SAP-basierte Prognosemodelle für das identische Anwendungsszenario anlegen. Der Vergleich der Ergebnisse soll Hinweise liefern, ob, bzw in welchem Umfang der aktuelle Stand von KI-Tools Expertenwissen substituieren kann. Als Grundlage dienen reale Geschäfts- und Wetterdaten (> 50 Mio Datensätze).
Lernergebnisse: – Verständnis von Large Language Models (LLMs) und deren Anwendung im Kontext von Zeitreihenprognosen in wirtschaftlichen Szenarien. – Praktische Erfahrung im Umgang mit Zeitreihendaten und der Abfrage von LLMs. – Experimentelles Denken und kritische Bewertung von Modellen zur Zeitreihenprognose. – Methoden des wissenschaftlichen Arbeitens, insbesondere in experimentellen Laborversuchen, und effektive Kommunikation und Präsentation von Ergebnissen.
Man siehe auch https://prox.innovation-hub.de
Zu untersuchen sind Szenarien, in denen ein kommerzieller Provider Daten hoher Qualität zur Anreicherung von Standard-CRM-Systemen (vorzugsweise Microsoft-Technologie) virtuell für mehrere Kunden anbietet. Hier kann es sich beispielsweise um eine Tabelle wie Countries (Ländertabelle) handeln, die nicht im Microsoft Standard enthalten ist, aber häufig von Anwendern benötigt wird. Die physische Datenhaltung soll über ein Azure-SQL erfolgen. Der zu prüfende Einsatzfall ist die Bereitstellung solcher Daten als virtuelle Tabelle über Dataverse in der Microsoft Power Plattform (Infrastruktur Azure-Cloud), die bei den Anwendern in deren CRM-Systemen, z.B.: Dynamics 365 Sales (virtuell) eingebunden wird. Der Architektur-Ansatz ist zu bewerten und mit alternativen Lösungsansätzen, zB einer WebService-Anbindung zu vergleichen. Das Thema kann nach dem Praxisprojekt im Erfolgsfall im Rahmen einer anschließenden Bachelorarbeit vertieft werden.
Interesse an Microsoft-Technologien und Datenbank-Themen, Anwendungsentwicklung, Untersuchung von Use Cases