Institutsseminar/2026-08-21

Termin (Alle Termine)

	Datum	Freitag, 21. August 2026
	Uhrzeit	14:00 – 16:00 Uhr (Dauer: 120 min)
	Ort	Raum 010 (Gebäude 50.34)
	Prüfer/in	Anne Koziolek
	Webkonferenz	https://teams.microsoft.com/l/message/19:d3046280884d4883b52c0b9b75c081ff@thread.tacv2/1787313063620?tenantId=4f5eec75-46fd-43f8-8d24-62bebd9771e5&groupId=d2d1da70-d8d8-41f1-8678-cfcb632eee5f&parentMessageId=1787313063620&teamName=KASTEL SDQ-Institutsseminar&channelName=General&createdTime=1787313063620
	Vorheriger Termin	Fr 17. Juli 2026
	Nächster Termin	Fr 11. September 2026

Die Dauer dieses Termins beträgt derzeit 120 Minuten. Bitte ggf. einen weiteren Raum reservieren und den Termin auf zwei Räume aufteilen. Dazu unter Termine eine zusätzliche Terminseite anlegen und die Vorträge neu zuweisen. Falls der Termin dennoch stattfinden soll, bitte im Gruppenkalender die Dauer anpassen und überprüfen, ob der Raum für die ganze Zeit gebucht ist.

Termin in Kalender importieren: iCal (Download)

Vorträge

AI Planning for Consistency Repair

Vortragende(r)	Jing Wang
Vortragstyp	Bachelorarbeit
Betreuer(in)	Bowen Jiang
Vortragssprache	Englisch
Vortragsmodus	in Präsenz
Kurzfassung	Modern software systems are often described by multiple interconnected models. Changes to one model may cause inconsistencies if related models are not updated. Existing consistency management approaches can propagate predefined changes, but are often limited to fixed repair routines and cannot optimize between repair alternatives or handle global constraints. This thesis presents a generic planning framework for automated model consistency repair. It extracts a semantic representation from input models using an Abstract Syntax Tree (AST), combines it with consistency rules and global constraints, and translates the repair problem into the Planning Domain Definition Language (PDDL). AI planners then generate repair plans that restore consistency while considering optimization objectives such as repair cost. By separating model semantics from planning representations, the framework can be reused across different modeling languages. A prototype demonstrates the complete workflow and its integration with the Vitruvius model consistency framework.

Vortrag bearbeiten

Integration von Neuronalen Netzen in AUTOSAR Classic und Wartbarkeitsprognose mittels KAMP

Vortragende(r)	Robin Schmieder
Vortragstyp	Masterarbeit
Betreuer(in)	Max Scheerer
Vortragssprache	Deutsch
Vortragsmodus	in Präsenz
Kurzfassung	Für die Ausführung neuronaler Netze fehlt der AUTOSAR Classic Platform eine standardisierte Unterstützung, insbesondere für die Ansteuerung von Hardwarebeschleunigern. Eine solche Architektur unterliegt im Lebenszyklus regelmäßigen Änderungen, deren Wartungsaufwände sich modellbasiert mit dem KAMP-Framework prognostizieren lassen, von dem jedoch bislang kein Derivat für den automotive-Kontext existiert. Diese Arbeit stellt einen Ansatz zur Integration der Inferenz neuronaler Netze unter Nutzung eines Hardwarebeschleunigers in die AUTOSAR Classic Platform vor und beschreibt die Abbildung eines Multi Layer Perceptrons und eines eindimensionalen Convolutional Neural Networks auf dessen Funktionsblöcke. Auf dieser Grundlage wird die Anwendbarkeit von KAMP4IS im automotive-Kontext untersucht. Im Rahmen der Arbeit wird KAMP4IS zu KAMP4IS-A um Zeitverhalten, Konfigurationsdateien und Deployment erweitert. Die Evaluation nach dem GQM-Ansatz zeigt einen Anstieg des gemittelten F₁-Scores von 0,67 auf 0,88, ausschließlich durch einen höheren Recall bei nahezu konstanter Precision.

Vortrag bearbeiten

Modeling Adaptive Context and Memory Management for AI Agents

Vortragende(r)	Ha Linh Nguyen
Vortragstyp	Masterarbeit
Betreuer(in)	Jan Keim
Vortragssprache	Englisch
Vortragsmodus	in Präsenz
Kurzfassung	Large Language Model (LLM)-based agents are increasingly used to automate complex, multi-stage tasks, yet they remain fundamentally stateless: constrained by a finite context window, they struggle to retain relevant information across extended or multi-session work. An agent that forgets earlier decisions or established preferences cannot operate reliably or predictably over time. This thesis addresses this problem by proposing a structured memory architecture for AI agents, inspired by human cognitive memory models. The architecture decomposes memory into three types, namely short-term session memory, context-specific knowledge, and long-term memory, giving AI agents a principled way to determine what to retain, how to organize it, and when to retrieve it.

Vortrag bearbeiten

Neuen Vortrag erstellen

Bitte melde Dich mit Deinen KIT-Zugangsdaten an. Falls Du trotz Anmeldung diese Meldung siehst, bitte eine/-n Wissensmanager/-in darum, Dich zur richtigen Gruppe hinzuzufügen.