给定的纸张被认为是软件系统的广义模型表示“有关本体工程目的的乐器复合物”。代表完整的软件系统开发过程。开发了相关的软件系统的“工具复合体”的相关形式模型，表示为数学表达式，UML图表，并在客户端 - 服务器中描述了软件系统“用于本体工程目的的乐器复合物”的三层体系结构环境。

软件中的质量通常被理解为“根据设计目的的执行”，而安全意味着“软件不会将数据或计算系统置于未经授权访问的风险”。这两个方面似乎有一个联系，但是，我们如何在机器人开发周期中整合它们？在本文中，我们在机器人学中引入Devsecops，这是一系列最佳实践，旨在帮助他们在开发和运营过程中深入植入的机器人植入安全性。首先，我们简要介绍Devops，介绍使用Devsecops添加的值并描述并说明这些实践如何在机器人字段中实现。我们讨论了安全，质量和安全，开放问题与未来研究问题之间的关系。

机器学习（ML）模型的开发不仅仅是软件开发的特殊情况（SD）：ML模型即使没有以看似无法控制的方式直接人类互动，也可以获取属性并满足要求。但是，可以形式上描述基础过程。我们为ML定义了一个全面的SD流程模型，该模型涵盖了文献中描述的大多数任务和文物。除了生产必要的工件外，我们还专注于以规格的形式生成和验证拟合描述。我们强调即使在初步训练和测试后，即使在生命周期中进一步发展ML模型的重要性。因此，我们提供了各种交互点，具有标准SD过程，其中ML通常是封装的任务。此外，我们的SD过程模型允许将ML作为（元）优化问题提出。如果严格自动化，则可以用来实现自适应自主系统。最后，我们的SD流程模型具有时间的描述，可以推理ML开发过程中的进度。这可能会导致ML领域内形式方法的进一步应用。

本章的目的是提出一些回顾性分析编程抽象的演变，来自{\​​ em程序}，{\ em对象}，{\ em actors}，{\ em components}，{\ em services}，向上对于{\ em代理}，％有一些比较软件组件和代理（和多代理系统）的比较概念，所选方法是通过在一般历史角度替换它们的方法。选择具有三个轴/尺寸的一些常见参考：{\ EM动作选择}实体之间的一个实体，{\ EM耦合灵活性}，{\ em抽象级别}。我们确实可以观察到更高的灵活性（通过诸如{\ EM Connections}）和{\ EM Connections}的{\ EM Reification}等概念）和更高级别的{\ em抽象}的概念追求。组件，服务和代理的概念具有一些共同的目标（特别是{\ EM软件模块化和重新配置性}），具有多种代理系统，提高了{\ EM自治权}和{\ EM协调}的进一步概念。特别是通过{\ em自动组织}的概念以及使用{\ EM知识}。我们希望这一分析有助于突出一些激励编程抽象进程的基本力量，因此可以为未来编程抽象的反映提供一些种子。

对AI的道德影响和值得信赖系统的设计的研究需要分析使用AI系统的方案，这与“用例”的软件工程概念和“预期目的”法律术语有关。但是，没有用于涵盖使用，范围，功能要求和AI系统风险的用例文档的标准方法。在这项工作中，我们为AI用例提出了一种新颖的文档方法，特别关注情感计算领域。我们的方法基于对研究文献中记录的用例信息需求的评估以及最近提议的AI欧洲监管框架。通过此评估，我们采用并调整了统一的建模语言（UML），在过去的二十年中，这主要由软件工程师使用。然后，每个用例都由UML图和一个结构化表表示，我们提供了一组示例，说明了其在几种情感计算方案中的应用。

机器学习（ML）模型的功效取决于算法和数据。培训数据定义了我们希望我们的模型学习的内容，并且测试数据提供了其经验研究的方法。基准数据集定义了模型存在和操作的全球，但研究继续关注批评和改进模型的算法方面，而不是批评和改进我们模型操作的数据。如果“数据是新的石油”，我们仍然缺少炼油厂的工作，可以优化数据本身以获得更有效的使用。

通过机器学习的人工智能越来越多地用于数字社会。基于机器学习的解决方案带来了巨大的机会，从而创造了“软件2.0”，而且为工程界提供了巨大的挑战。由于数据科学家使用的实验方法在开发机器学习模型时，敏捷是一个重要的特征。在这个主题演讲中，我们讨论了两种当代开发现象，这是机器学习开发的基础，即笔记本界面和MLOPS。首先，我们提出了一种解决方案，可以通过支持对集成开发环境的简单过渡来解决笔记本电脑中工作的一些内在弱点。其次，我们通过在MLOPS语境中引入隐喻障碍和钢筋来提出AI系统的加强工程。基于机器学习的解决方案是动态的本质上，我们认为强化连续工程是质量保证明天可信赖的AI系统。

Following the development of digitization, a growing number of large Original Equipment Manufacturers (OEMs) are adapting computer vision or natural language processing in a wide range of applications such as anomaly detection and quality inspection in plants. Deployment of such a system is becoming an extremely important topic. Our work starts with the least-automated deployment technologies of machine learning systems includes several iterations of updates, and ends with a comparison of automated deployment techniques. The objective is, on the one hand, to compare the advantages and disadvantages of various technologies in theory and practice, so as to facilitate later adopters to avoid making the generalized mistakes when implementing actual use cases, and thereby choose a better strategy for their own enterprises. On the other hand, to raise awareness of the evaluation framework for the deployment of machine learning systems, to have more comprehensive and useful evaluation metrics (e.g. table 2), rather than only focusing on a single factor (e.g. company cost). This is especially important for decision-makers in the industry.

处理故事并处理计算需要非常不同的思想模式。我们将第一个模式称为“故事思维”和第二个“计算思维”。这篇好奇心驱动的论文的目的是探索这两种思维方式的性质，并与编程有关，包括软件工程作为一般编程。我们建议，故事思维和计算思维可以理解为参与世界的两种方式，每个人都以不同的方式和不同的目的贡献和忽视了世界。我们提出了两个基本问题，即“忽视表征”的问题和对立思维方式的问题。我们简要提出了可以解决这些问题并确定有关世界现状的候选假设的两种方法，一种关于可能未来状态的断言，以及一些研究问题，以实现未来的研究。

机器学习（ML）团队经常在项目上工作，只是为了意识到模型的性能还不够好。确实，支持ML的系统的成功涉及将数据与业务问题保持一致，将其转化为ML任务，尝试算法，评估模型，捕获用户的数据等。文献表明，支持ML的系统很少是基于此类问题的精确规格而构建的，这导致ML团队由于错误的假设而变得不一致，这可能会影响此类系统的质量和整体项目成功。为了帮助解决此问题，本文将我们的工作描述为基于透视的方法，用于指定启用ML的系统。该方法涉及分析一组45毫升关注，分为五个观点：目标，用户体验，基础架构，模型和数据。本文的主要贡献是提供两个新的工件，可用于帮助指定支持ML的系统：（i）基于透视的ML任务和关注图以及（ii）基于透视的ML规范模板。

We propose a simple yet a novel approach to improve completion in domain modeling activities. Our approach exploits the power of large language models by using few-shot prompt learning without the need to train or fine-tune those models with large datasets that are scarce in this field. We implemented our approach and tested it on the completion of static and dynamic domain diagrams. Our initial evaluation shows that such an approach is effective and can be integrated in different ways during the modeling activities.

With the proliferation of AI-enabled software systems in smart manufacturing, the role of such systems moves away from a reactive to a proactive role that provides context-specific support to manufacturing operators. In the frame of the EU funded Teaming.AI project, we identified the monitoring of teaming aspects in human-AI collaboration, the runtime monitoring and validation of ethical policies, and the support for experimentation with data and machine learning algorithms as the most relevant challenges for human-AI teaming in smart manufacturing. Based on these challenges, we developed a reference software architecture based on knowledge graphs, tracking and scene analysis, and components for relational machine learning with a particular focus on its scalability. Our approach uses knowledge graphs to capture productand process specific knowledge in the manufacturing process and to utilize it for relational machine learning. This allows for contextspecific recommendations for actions in the manufacturing process for the optimization of product quality and the prevention of physical harm. The empirical validation of this software architecture will be conducted in cooperation with three large-scale companies in the automotive, energy systems, and precision machining domain. In this paper we discuss the identified challenges for such a reference software architecture, present its preliminary status, and sketch our further research vision in this project.

最近，提出了一种具有混合AI的设计模式的闺房（图形语言），结合了符号和子象征学习和推理。在本文中，我们将这种博语与演员及其互动扩展。本文的主要贡献是：1）分类法延长分布式混合AI系统，与演员和相互作用;2）示出了使用多种子体系统和人剂相互作用相关的一些设计模式的示例。

随着在各个领域中自适应系统的越来越多，对评估其正确行为的策略的需求越来越多。特别是旨在提供弹性和容忍性的自我修复系统，通常会在关键和高度动态的环境中处理意外的故障。它们的反应性和复杂行为使评估这些系统是否按照期望的目标执行起来挑战。最近，一些研究对缺乏自我修复行为的系统评估方法表示关注。在本文中，我们提出了国际象棋，这是一种基于混乱工程的自适应和自我修复系统系统评估的方法。混乱工程是一种使系统遇到意外条件和场景的方法。它在帮助开发人员构建有弹性的微服务体系结构和网络物理系统方面表现出了巨大的希望。国际象棋通过使用混乱工程来评估自我修复系统能够承受这种扰动的能力来解决这个想法。我们通过对自我修复的智能办公环境进行探索性研究来研究这种方法的可行性。该研究有助于我们探索方法的承诺和局限性，并确定需要额外工作的方向。我们总结了经验教训的摘要。

在过去几年中的自然语言处理（NLP）研究的进展为自动用户交互或改进的数据分析提供了公司的新商业机会。建立复杂的NLP应用需要处理现代机器学习（ML）技术，从而阻碍企业建立成功的NLP项目。我们在应用NLP研究项目中的经验表明，具有质量保证的生产环境中的研究原型在生产环境中的不断整合在软件中建立了信任，并为业务目标提供了便利性和有用性。我们将印章4 NLP介绍为开发NLP应用程序的迭代和增量过程模型。通过邮票4 NLP，我们将软件工程原则与数据科学的最佳实践合并。实例化我们的流程模型允许通过利用模板，公约和实现，使开发人员和数据科学家专注于业务目标来有效地创建原型。由于我们的迭代 - 增量方法，企业可以在每次迭代后将增强版的原型版本部署到他们的软件环境中，最大限度地提高潜在的业务价值和信任，并避免成功的成本永不部署的实验。

在本文中，我们展示了ML-Quadrat，这是一种基于Eclipse建模框架（EMF）和智能网络物理学（MDSE）文献中的Eclipse建模框架（EMF）和最先进的开源研究原型，用于智能网络物理系统（CPS）和物联网（物联网）。其设想的用户主要是软件开发人员，他们可能在异构物联网平台和不同的人工智能（AI）技术中，专门对机器学习（ML）具有深入的知识和技能。 ML-Quadrat在GitHub上的Apache 2.0许可证的条款下发布。此外，我们展示了Driotdata的早期工具原型，该基于Web的低码平台，目标是公民数据科学家和公民/最终用户软件开发人员。 Driotdata通过向公司提供延长版本的公司，主要是小型和中型企业（中小企业），Driotdata利用该行业中的ML-Quadrat在行业中进行了延长版本。 Driotdata的当前初步版本有三个基于Web的模型编辑器：基于文本的，基于树/形式和基于图表。后者专为问题的域专家设计或使用案例域（即IOT垂直域名），其可能在其领域中没有知识和技能。最后，在YouTube上提供演示工具的短视频：https://youtu.be/vauz25w0a5k

We present an update on the current architecture of the Zoea knowledge-based, Composable Inductive Programming system. The Zoea compiler is built using a modern variant of the black-board architecture. Zoea integrates a large number of knowledge sources that encode different aspects of programming language and software development expertise. We describe the use of synthetic test cases as a ubiquitous form of knowledge and hypothesis representation that sup-ports a variety of reasoning strategies. Some future plans are also outlined.

在本文中，我们建议采用MDE范式来开发机器学习（ML）的软件系统，重点关注物联网（IoT）域。我们说明了如何将两种最先进的开源建模工具，即蒙蒂安娜和ML-Quadrat用于此目的，如案例研究所证明的那样。案例研究说明了使用ML使用MNIST参考数据集对手写数字的自动图像识别的ML，特别是深人造神经网络（ANN），并将机器学习组件集成到物联网系统中。随后，我们对两个框架进行了功能比较，设置了一个分析基础，以包括广泛的设计考虑因素，例如问题域，ML集成到较大系统中的方法以及支持的ML方法以及主题最近对ML社区的强烈兴趣，例如Automl和MLOP。因此，本文的重点是阐明ML域中MDE方法的潜力。这支持ML工程师开发（ML/软件）模型而不是实施代码，并通过启用ML功能作为IoT或IoT的组件的现成集成来实现设计的可重复性和模块化。网络物理系统。

Robotics software is pushing the limits of software engineering practice. The 3rd International Workshop on Robotics Software Engineering held a panel on "the best practices for robotic software engineering". This article shares the key takeaways that emerged from the discussion among the panelists and the workshop, ranging from architecting practices at the NASA/Caltech Jet Propulsion Laboratory, model-driven development at Bosch, development and testing of autonomous driving systems at Waymo, and testing of robotics software at XITASO. Researchers and practitioners can build on the contents of this paper to gain a fresh perspective on their activities and focus on the most pressing practices and challenges in developing robotics software today.

人工智能一直在全球转变产业和学术研究，研究软件开发也不例外。在研究软件开发生命周期的各个方面都应用了机器学习和深度学习，从新算法设计范例到软件开发过程。在本文中，我们讨论了我们对当今挑战和机会的看法，即AI在研究软件开发和工程师中展示了我们在佛罗里达大学的方法，正在为AI的新时代做好准备我们的劳动力。