AISE502/Modulbeschreibung_AISE502_v3_2026.md

Modulbeschreibung: AISE502 – AI in SE II

Feld	Wert
Autor/in	Herzog Florian
Ausgabestelle	Institute for Data Analysis, Artificial Intelligence, Visualization, and Simulation (DAViS)
Geltungsbereich	Departement
Klassifizierung	Nicht klassifiziert
Version	3.0.0
Ausgabedatum	2026 (Neufassung entlang des Vorlesungsskripts)

---

Modul

Feld	Wert
Name	AI in Software Engineering II
Kürzel	AISE502
ECTS-Punkte	4
Typ	Pflichtmodul
Verantwortliche/r	Herzog Florian
Semester	5. Semester

Leitidee

Das Modul "AI in Software Engineering II" stellt das Software Engineering grosser, langlebiger Systeme in den Mittelpunkt. Sein roter Faden ist das englischsprachige Vorlesungsskript "A Theory of Architecture--Application Fit", das eine durchgängige, messbare Entscheidungstheorie der Softwarearchitektur entwickelt: Architektur wird verstanden als die Menge der signifikanten, schwer umkehrbaren Entscheidungen, die durch messbare Qualitätsattribute getrieben, durch systematischen Abgleich von Anforderungsprofilen (zehn Anwendungsklassen) und Fähigkeitsprofilen (sieben Architektur-Patterns) über zwölf gemeinsame Profildimensionen getroffen und über den gesamten Lebenszyklus empirisch überprüft werden (Fitness Functions, DORA-Metriken).

Die Leitfrage lautet: Wie entwerfe, begründe und betreibe ich die Struktur eines Software-Systems so, dass es seine Qualitätsattribute erfüllt und über Jahre wartbar bleibt -- auch dann, wenn einzelne Komponenten nicht-deterministisch, fehlbar und kostenintensiv sind?

Künstliche Intelligenz erscheint in zwei gleichwertigen, strikt getrennten Achsen:

• Achse A -- AI als Werkzeug zum Bauen: Studierende setzen agentische Entwicklungswerkzeuge produktiv, aber kritisch-reflektiert ein -- auf Basis der empirischen Evidenz (randomisierte Studien mit positiven wie negativen Befunden) und mit Architektur-Dokumentation und Fitness Functions als Leitplanken.
• Achse B -- AI als Komponente im System: Studierende entwerfen Architekturen, in denen LLM-, ML- und Optimierungskomponenten als Laufzeit-Bausteine wirken, und machen diese nicht-deterministischen Komponenten engineering-tauglich: gekapselt (Gateway, Ports), asynchron integriert, beobachtbar (Kosten, Latenz), getestet (Eval-Harness) und abgesichert (Ontologie-Guard, Prompt-Injection-Abwehr).

Die zentrale Erkenntnis des Moduls (Annahme A6 der Theorie): AI erweitert den Qualitätsattributraum, ändert aber die Methode nicht. Die Disziplin, die man zum Bauen mit AI braucht, ist dieselbe wie jene zum Einbetten von AI.

Didaktisches Prinzip: Das Modul arbeitet durchgängig induktiv -- Fallstudien und Beispiele zuerst, Verallgemeinerung danach. Jedes Pattern wird aus dem realen Problem entwickelt, das es hervorbrachte; jede Anwendungsklasse aus ihren realen Herausforderungen; das Matching-Verfahren aus drei durchgerechneten Fällen. Zu jedem Pattern gehören Open-Source-Frameworks zum Bauen und klonbare Open-Source-Referenzsysteme zum Inspizieren ("Build it and study it"). Ein durchgehendes Gruppenprojekt -- eine verteilte, AI-gestützte Portfolio-Analyse-Plattform -- wendet den gesamten Bogen praktisch an.

Das Verhältnis von klassischem Software Engineering zu AI-spezifischen Techniken beträgt etwa 60 % zu 40 %.

Voraussetzungen

1. AI in Software Engineering I (AISE501)
2. Software Technik I und II
3. Maschinelles Lernen, Deep Learning
4. Mathematik-Grundlagen, Informatik-Grundlagen

Lernergebnisse

Nach erfolgreichem Abschluss dieses Moduls sind die Studierenden in der Lage:

1. Architektur als Entscheidungsproblem behandeln (Skript Teil I):

   • Architektur als Menge schwer umkehrbarer, qualitätsgetriebener Entscheidungen verstehen (tragende Annahmen A1--A6) und Entscheidungen mit Rationale dokumentieren (Architecture Decision Records, C4-Sichten, ISO/IEC/IEEE 42010).
   • Die zwölf Profildimensionen (ISO/IEC 25010:2023-verankert, je mit Antwortmass und Messinstrument) als gemeinsames Koordinatensystem von Anforderung und Fähigkeit anwenden.

2. Anforderungsprofile konstruieren (Teil I und III):

   • Architektur-relevante Anforderungen elizitieren und als sechsteilige Qualitätsszenarien mit Antwortmass formulieren; Gewichte über Utility Trees ableiten.
   • Anwendungsklassen als Anforderungsprofile R(a) charakterisieren: Gewichte, Workload-Shape und regulatorische Knock-out-Constraints (u. a. BCBS 239, FINMA 2023/1, PCI DSS, EU AI Act).

3. Fähigkeitsprofile herleiten und Architektur-Patterns beherrschen (Teil II):

   • Die sieben Patterns (Schichtenarchitektur, modularer Monolith, Hexagonal, Microservices, Event-Driven, Pipes-and-Filters, Serverless) mit Topologie, realem Ursprungsproblem, Taktiken und dimensionsweisem Fähigkeitsprofil C(p) erklären.
   • Pro Pattern Open-Source-Frameworks einsetzen und Referenzsysteme im Quellcode inspizieren; Engineering-Konsequenzen (Build, Test, CI/CD, Deployment, Betrieb, Teamstruktur) ableiten.

4. Passung berechnen, begründen und verteidigen (Teil IV):

   • Das dreistufige, nicht-kompensatorische Matching-Verfahren anwenden (Knock-out und Workload-Shape-Gate, Veto auf hochgewichteten Dimensionen mit dokumentierten Mitigationen, ordinale Rangbildung mit Sensitivitätsanalyse) und die 7×10-Matrix als Explikations- statt Rechenmodell nutzen.
   • Hybride als Normalfall erkennen (z. B. ACID-Kern mit Event-getriebenen Rändern) und Evolutionspfade planen (Strangler Fig, dokumentierte Rückbau-Fallstudien).

5. Entscheidungen messbar machen und betreiben (Teil IV):

   • Jede Architekturentscheidung mit einem Messvertrag abschliessen: Fitness Functions in CI/CD (z. B. Modulgrenzen-Checks, Performance- und Token-Budgets), DORA-Metriken und Observability (Logging, Metriken, Tracing) im Betrieb.

6. AI als Werkzeug professionell und kritisch einsetzen (Achse A, Teil V):

   • Die empirische Evidenz zu AI-Coding-Werkzeugen differenziert bewerten (u. a. Copilot-RCT, METR-Studie, DORA-Reports) und daraus Konsequenzen für Spezifikation, Verifikation und Architektur ziehen.
   • Agentische Werkzeuge mit Architektur-Dokumentation als Kontext und Tests/Fitness Functions als Leitplanken einsetzen; Ausgaben kritisch bewerten und verantworten.

7. AI als Systemkomponente engineering-tauglich machen (Achse B, Teil V):

   • LLM-, ML- und Optimierungskomponenten hinter stabilen Schnittstellen kapseln (Gateway, Anti-Corruption-Layer), asynchron integrieren, deterministische von nicht-deterministischen Systemteilen strikt trennen.
   • Eigene Eval-Harnesses aufbauen (Golden Sets, LLM-as-Judge mit Kalibrierung, Domänen-Axiome) und als CI-Gate betreiben; Token-Kosten und Latenz messen und optimieren (Caching, Batching, Model-Routing).
   • Multi-Agenten-Systeme als Komposition klassischer Topologien konzipieren (Chain/Router/Orchestrator/Multi-Agent) und deren Ökonomie bewerten.

8. Ethik und Verantwortung reflektieren:

   • Gesellschaftliche, regulatorische (EU AI Act) und ethische Implikationen AI-gestützter Systeme im sensiblen Anwendungskontext (Finanzdaten) bewerten; neue Bedrohungsklassen (Prompt Injection, OWASP LLM Top 10) im Threat-Modeling berücksichtigen.

Leistungsnachweis

Anteil	Komponente
50 %	Praxisprojekt (verteilte AI-gestützte Plattform, Gruppenarbeit) -- inklusive Requirements-Dossier (A1), Architektur-Dossier mit ADR und Messvertrag (A2), Implementierung sowie Abschlusspräsentation mit Architektur-Verteidigung
50 %	Schriftliche Modulschlussprüfung, 60 Minuten, open book (Skript und eigene Unterlagen in Papierform), closed internet -- Schwerpunkt: Architektur-Reasoning und Trade-off-Analyse entlang der Passungstheorie, keine reine Faktenabfrage

Nachprüfung

Gemäss Rahmenprüfungsordnung.

Unterrichtssprache

Deutsch. Sämtliche Unterlagen (Vorlesungsskript, Übungen, Paper) in Englisch.

Eingangskompetenzen

Sicherer Umgang mit Python, Versionsverwaltung (Git) und grundlegenden Software-Engineering- Prinzipien (Clean Code, SOLID). Grundverständnis von LLMs, Prompting und RAG aus AISE501. Grundlagen in Statistik und maschinellem Lernen.

---

Inhalte

Der Kurs umfasst 14 Sitzungen. Der rote Faden ist das Vorlesungsskript "A Theory of Architecture--Application Fit" (Teile I--V); jede Sitzung verbindet einen Skript-Abschnitt mit einer AI-Linse und einem Projektschritt. Didaktik durchgängig induktiv: Fallstudien und Beispiele vor der Verallgemeinerung.

1. Das Entscheidungsproblem und das Framework (Skript Teil I)

• Inhalte: Vier Produktionssysteme, eine Lektion (LMAX, Monzo, Stack Overflow, Prime Video); Architektur als schwer umkehrbare Entscheidungen; die fünf Framework-Elemente (R(a), C(p), fit, ADR, Messvertrag); die tragenden Annahmen A1--A6; ADR/MADR und C4.
• Praktische Anwendung: Projektstart (Domäne, Vision, Werkzeug-Setup); ein Agent erstellt ADR-Entwürfe -- der Mensch entscheidet und verantwortet (Achse A).

2. Das Koordinatensystem: zwölf Profildimensionen (Teil I)

• Inhalte: Von Alltagsfragen zu messbaren Dimensionen; die zwölf Dimensionen einzeln motiviert (Last, Korrektheit/Vertrauen, Wandel/Delivery, Ökonomie/Organisation, AI); ISO/IEC 25010:2023 als Vokabular; Antwortmasse und Messinstrumente.
• Praktische Anwendung: Dimensionsprofil einer täglich genutzten App erstellen und diskutieren; erste Qualitätsszenarien für die Projektplattform formulieren.

3. Nachfrage, Angebot, Passung: das formale Modell (Teil I)

• Inhalte: Konstruktion von R(a) (ASR → Szenarien → Utility Tree → Gewichte; Workload-Shape; Knock-out-Constraints); Herleitung von C(p) über Taktiken; das dreistufige Matching-Verfahren am Mini-Match des Kursprojekts (C10 gegen drei Kandidaten); warum keine gewichtete Summe (MCDM-Kritik).
• Praktische Anwendung: R(Projektplattform) im Team konstruieren und als Utility Tree begründen; Qualitätsszenarien mit Antwortmass fixieren.

4. Patterns I: Ein Deployable (Teil II)

• Inhalte: Schichtenarchitektur, modularer Monolith, Hexagonal/Ports-and-Adapters -- je: reales Ursprungsproblem, Topologie, dimensionsweises Fähigkeitsprofil, Engineering-Konsequenzen, Anti-Patterns; Modulgrenzen als CI-Gegenstand (Spring Modulith, import-linter, ArchUnit).
• Praktische Anwendung: "Build it and study it" -- healthchecks (Django), Apache Fineract und das Cosmic-Python-Repo klonen und die Architektur im Code nachweisen; AI-Linse: der LLM-Provider hinter einem Port.

5. Patterns II: Verteilte Topologien (Teil II)

• Inhalte: Microservices und Event-Driven Architecture -- Ursprungsprobleme (Release-Zug, Ingest), Profile, Sagas vs. ACID, Resilienz-Grundmuster (Timeout, Retry, Circuit-Breaker), Schema-Governance; dokumentierte Fallstudien (Netflix, Uber DOMA, Segment-Rückbau).
• Praktische Anwendung: Online Boutique (Kubernetes) und der Home-Assistant-EventBus im Quellcode; AI-Linse: ein LLM-Aufruf als unzuverlässiger Remote-Call.

6. Patterns III: Batch und Serverless; Verallgemeinerung (Teil II)

• Inhalte: Pipes-and-Filters/Batch und Serverless/FaaS; danach die Verallgemeinerung: Architecture Quantum, "Partitioning beats distribution", Evidenzbasis (Sterne-Ratings) und die konsolidierte Fähigkeitstabelle als Vergleichssicht.
• Praktische Anwendung: dbt-Pipeline (jaffle_shop_duckdb) lokal bauen; Knative-Bookstore inspizieren; Projekt: Bounded Contexts aus der Ontologie ableiten (Vertiefung AISE501).

7. Anwendungsklassen I: Transaktion, Content, Verwaltung (Teil III)

• Inhalte: C1 Kernbanking, C2 Social/Content, C3 Back-Office, C4 ERP, C5 E-Commerce -- je: reale Herausforderungen mit Zahlen und Regulatorik, Anforderungsprofil über die zwölf Dimensionen, und welche Architektur reale Systeme wählten und warum (LMAX vs. Monzo, Instagram, Shopify, Odoo/Fineract).
• Praktische Anwendung: Walking Skeleton des Projekts -- deterministische Services und ein minimaler Agent laufen End-to-End.

8. Anwendungsklassen II: Daten, Echtzeit, AI-nativ (Teil III)

• Inhalte: C6 Simulation/Batch, C7 DSS/BI, C8 IoT-Streaming, C9 Collaboration/Messaging, C10 AI-native Advisory-Plattform (das Kursprojekt als zehnte Klasse); Verallgemeinerung: zehn Profile nebeneinander, Spiegelpaare, Übergabe an das Matching.
• Praktische Anwendung: Anforderungsprofil des Projekts gegen C10 abgleichen; Resilienz gegen Ausfall externer Datenquellen einbauen.

9. Die Passung: drei Fälle, drei Stufen, die Matrix (Teil IV)

• Inhalte: Drei durchgerechnete Matches (C6: Shape-Gate; C1: Veto und Mitigationen; C2: ordinale Rangbildung und Tradeoff-Points); das Verfahren im Allgemeinen; die 7×10-Matrix mit Zeilen-Begründungen.
• Praktische Anwendung: Matching der eigenen Plattform-Architektur nachvollziehen und als ADR mit Rationale dokumentieren (Pflicht-Artefakt).

10. Hybride, Evolution und das achtstufige Entscheidungsverfahren (Teil IV)

• Inhalte: Hybride als Normalfall; Evolutionspfade und Migrationsstrategien (Strangler Fig; Fallstudien Segment, Prime Video, Shopify); das achtstufige Entscheidungsverfahren von den ASRs bis zum Messvertrag, durchgespielt am Kursprojekt (ADR-007).
• Praktische Anwendung: Orchestrierter Multi-Agent (2--3 Sub-Agenten über klare Kontrakte) -- Pflichtteil des Projekts.

11. Der Messvertrag: Fitness Functions, DORA, Betrieb (Teil IV)

• Inhalte: Fitness Functions (atomar/holistisch, triggered/continual) in CI/CD; die vier DORA-Metriken und der Kopplungs-Befund; Observability; Kostenverlauf von Architekturänderungen (Boehm vs. Menzies); Conway's Law und Team Topologies als dritte Passungsdimension.
• Praktische Anwendung: CI/CD-Pipeline mit Architektur-Fitness-Functions (Modulgrenzen, Budgets) und Observability für Kosten und Latenz aufsetzen.

12. Achse A: AI als Werkzeug -- Evidenz und Konsequenzen (Teil V)

• Inhalte: Zwei widersprüchliche Experimente (Copilot-RCT +55.8 % vs. METR −19 % inkl. Wahrnehmungslücke) und ihre Auflösung; der Verifikations-Engpass; Architektur-Dokumente als Agenten-Kontext; Guardrails als Voraussetzung; Werkzeuglandschaft und Risiken.
• Praktische Anwendung: Ein Agent generiert Tests/Refactorings gegen die eigene Codebasis; Studierende bewerten Abdeckung, Qualität und Review-Last.

13. Achse B: AI als Komponente -- Kapselung, Evaluation, Orchestrierung (Teil V)

• Inhalte: Der Sentiment-Call falsch und richtig verdrahtet; drei Komponententypen (LLM, ML, Solver); LLM-Gateway-Referenzarchitektur (Routing, Caching, Budgets, Fallbacks); Eval-Harness (Golden Sets, LLM-as-Judge, Domänen-Axiome) als CI-Gate; Prompt Injection und EU AI Act; Agenten-Orchestrierung als emergentes Kompositionsmuster und ihre Ökonomie.
• Praktische Anwendung: Eval-Harness gegen Domänenregeln aufbauen (Pflicht); Ontologie-Guard und Kosten-Dashboard; Kür: autonomes Planning, Self-Repair-Loops, Model-Routing.

14. Synthese, Präsentation und Architektur-Kritik

• Inhalte: Die Theorie-Pipeline in einem Satz; Grenzen der Theorie (auf sich selbst angewandt); Trade-offs verteidigen; Reflexion: Wo half und wo schadete AI -- im Bauen (Achse A) und im System (Achse B)?
• Praktische Anwendung: Präsentationen, Architektur-Verteidigung und Peer-Reviews der Abschlussprojekte.

---

Praxisprojekt: AI-Augmented Portfolio Intelligence Platform

Als durchgehendes Gruppenprojekt entwickeln die Studierenden eine verteilte Analyse- und Advisory-Plattform für Aktienportfolios (kein Trading, kein echtes Geld -- ausschliesslich Analyse und Empfehlung). Die Plattform ist im Skript als zehnte Anwendungsklasse (C10) durchmodelliert; ihre Architektur folgt dem im Modul berechneten Verdikt: hexagonaler modularer Monolith als deterministischer Kern, Event-getriebene Ränder, Pipelines für Ingestion und Evaluation, orchestrierter Advisor-Agent hinter einem LLM-Gateway.

• bezieht strukturierte externe Daten (Börsenkurse, z. B. via Yahoo Finance) -- mit Live-API und verpflichtendem Cache-/Snapshot-Fallback;
• bezieht unstrukturierte externe Daten (Firmen-News) und wandelt sie über eine AI-Komponente in strukturierte Insights um;
• berechnet Risiko-, Performance- und Portfolio-Optimierungs-Kennzahlen (Formeln und Testvektoren werden vorgegeben; die Lernleistung ist das Engineering darum herum);
• stellt die Funktionalität API-first bereit, mit dünnem Dashboard zur Demonstration.

Zentrale Architekturregel: Agents propose; deterministic services decide and book. Die AI-Agenten beziehen und interpretieren quantitative Werte ausschliesslich über die deterministischen Services -- sie berechnen nie selbst. Diese Trennung ist die prüfbare Manifestation von "AI engineering-tauglich machen".

Abstufung Pflicht / Kür:

• Pflicht (bestehensrelevant): orchestrierter Advisor-Agent mit 2--3 Sub-Agenten über klare Service-Kontrakte; LLM-Gateway mit Kosten-Observability; Ontologie-Guard; Eval-Harness als CI-Gate; vollständig getestete deterministische Services; Resilienz gegen Ausfall externer Datenquellen; ein ADR mit Messvertrag (Token-Budget, Eval-Schwelle, Modulgrenzen-Check).
• Kür (für Spitzennoten): autonomes Planning, Self-Repair-Loops, Model-Routing.

---

Lehr- und Lernmethoden

Lehrtechniken: Vorlesungen, Übungen, Gruppenarbeit, Online-Lehre, Workshops.

Lernaktivitäten: Studium des Skripts und der Literatur, Inspektion realer Open-Source-Systeme, Übungsaufgaben, Bearbeiten von Problemen und deren Lösungsfindung, Zusammenarbeit mit anderen Studierenden, projektbegleitendes Selbststudium.

Lehrmethode: Präsentation; Einzel-, Partner- und Gruppenarbeit; E-Learning.

---

Struktur

Online-, Hybrid- oder Präsenzunterricht	42 h
Selbststudium (Skript, Lektüre und Projekt)	78 h
Total	120 h (4 ECTS)

Literatur

Leitmedium (roter Faden):

• AISE502 Lecture Notes -- A Theory of Architecture--Application Fit, F. Herzog, Fachhochschule Graubünden, 2026 (englisch; wird abgegeben).

Die vier methodischen Hauptquellen der Theorie (im Skript gewürdigt):

• L. Bass, P. Clements, R. Kazman: Software Architecture in Practice, 4. Aufl., Addison-Wesley/SEI, 2021 (Qualitätsszenarien, Taktiken, Utility Tree/ATAM).
• M. Richards, N. Ford: Fundamentals of Software Architecture -- A Modern Engineering Approach, 2. Aufl., O'Reilly, 2025 (Architecture Characteristics, Trade-off-Gesetze).
• N. Ford, R. Parsons, P. Kua, P. Sadalage: Building Evolutionary Architectures, 2. Aufl., O'Reilly, 2022 (Fitness Functions, Messvertrag).
• N. Forsgren, J. Humble, G. Kim: Accelerate -- The Science of Lean Software and DevOps, IT Revolution, 2018 (DORA-Metriken, Kopplungs-Befund).

Begleitend:

• I. Sommerville: Modernes Software-Engineering, Pearson, 2020 (deutschsprachiger Anker).
• S. Newman: Building Microservices, 2. Aufl., O'Reilly, 2021 (nach Bedarf als Reader).
• Aktuelle wissenschaftliche Artikel und Branchenforschung zu AI-Agenten, agentischen Entwicklungswerkzeugen und Evaluation von AI-Systemen (u. a. DORA-Reports, METR, Anthropic Engineering).