7 IT-Anwendungsfälle mit ChatGPT

Gastbeitrag von | 08.07.2024

Informatikerinnen und Informatiker schreiben bei ihrer Arbeit nicht nur Programmcode, sondern auch viele Texte: Spezifikationen, Konzepte, Dokumentationen, Handbücher, Berichte etc.

Könnte eine künstliche Intelligenz, die Texte generieren kann, hier Zeit sparen? Im Folgenden zeige ich Ihnen sieben Beispiele für die Leistungsfähigkeit von ChatGPT im Informatik-Kontext.

Grundlagen: Was ist ChatGPT?

ChatGPT ist die Abkürzung für Chat Generative Pretrained Transformer und kann kostenlos genutzt werden. [1] Es ist eines eines von mehreren großen Sprachmodellen, die derzeit öffentlich verfügbar sind. Laut der Chatbot Arena ist ChatGPT derzeit der beste Chatbot. [2]

ChatGPT schreibt über sich selbst:

“Meine Arbeitsweise als intelligenter Textchat basiert auf einem tiefen Verständnis natürlicher Sprache und menschlichen Verhaltens. Ich analysiere die Eingaben der Nutzer, um Kontext und Intention zu erkennen und generiere entsprechende Antworten unter Berücksichtigung von Grammatik, Stil und relevantem Wissen. Dabei greife ich auf einen umfangreichen Trainingsdatensatz aus verschiedenen Quellen zurück, um ein breites Themenspektrum abzudecken.

Mein Ziel ist es, die Benutzer mit hilfreichen und relevanten Informationen zu versorgen und sie in natürlichen Gesprächen zu unterstützen. Mit ‘tiefem Verständnis’ meine ich die Fähigkeit, komplexe Sprachmuster zu erkennen, semantische Zusammenhänge zu verstehen und kontextbezogene Antworten zu generieren.”

Was ist das neue aus Anwendersicht? Künstliche Intelligenz (KI) erlebte bereits in den 1990er Jahren einen Hype, schaffte es aber nicht in die praktische Anwendung, da lange Zeit künstliche Intelligenz selbst installiert und trainiert werden musste. Aufgrund der meist begrenzten Trainingsdaten konnte dann keine besonders hohe Qualität der Ergebnisse erzielt werden.

Das Neue an ChatGPT aus Nutzersicht ist nun, dass man die künstliche Intelligenz ohne Installation nutzen kann. Sie ist bereits mit umfangreichen Daten vortrainiert und daher in ganz unterschiedlichen Wissensgebieten, nicht zuletzt der Informatik, leistungsfähig.

Bei der Verwendung sollten Sie jedoch beachten, dass alle Ihre Eingaben von ChatGPT für das weitere Training verwendet werden kann. Sie sind also nicht mehr vertraulich und könnten anderen Benutzern angezeigt werden. Um mehr Kontrolle über die eigenen Daten zu haben, benötigt man eine kostenpflichtige Enterprise-Lizenz von Open AI oder man installiert lokal auf einem eigenen Rechner ohne Internetverbindung eine Open-Source-Lösung. [3]

Beispiel 1: Fachtexte automatisiert erstellen

ChatGPT ist in der Lage, unterschiedliche Texte für Informatikerinnen und Informatiker zu schreiben:

Texte für Informatikerinnen und Informatiker

Abbildung 1: Texte für Informatikerinnen und Informatiker

Die besondere Stärke von ChatGPT liegt darin, kompetent klingende, aber fachlich oberflächliche Fachtexte zu schreiben. Dabei agiert er wie viele Menschen: Je allgemeiner das Blabla, desto geringer die Wahrscheinlichkeit, etwas falsch zu machen!

Ein Informatikstudent aus einem meiner Kurse hat in seiner Projektarbeit getestet, wie gut ChatGPT Hausarbeiten zu den folgenden drei Themen schreiben kann:

  1. Big Data und Ethik,
  2. Arbeitsmotivation im Vergleich zweier Studien und
  3. Chancen und Herausforderungen der Nachvollziehbarkeit. [4]

Er ließ diese kapitelweise erstellen, da ChatGPT (noch) keine zwölfseitigen Texte generiert.

Die entstandenen Texte waren beeindruckend flüssig formuliert, gut strukturiert und inhaltlich korrekt. Sie waren aber auch sehr oberflächlich und wenig selbstreflexiv.

Aus wissenschaftlicher Sicht war das größte Manko, dass keine Literaturangaben gemacht wurden. Als diese explizit verlangt wurden, lieferte ChatGPT erfundene Quellen. Diese waren plausibel erfunden, z.B. arbeitete der angebliche Autor eines Buches tatsächlich auf diesem Gebiet, das Buch existierte jedoch nicht. ChatGPT ist also derzeit nicht in der Lage, wahre Quellen anzugeben.

Für solche Zwecke empfiehlt es sich also, eine wissenschaftliche Suchmaschine mit einem Large Language Model zu kombinieren.[5] Und natürlich sollten nicht triviale Aussagen der KI durch eigene Recherchen manuell überprüft werden.

Beispiel 2: Inhaltsverzeichnisse automatisiert erstellen

Ich habe ChatGPT in etwa einem Dutzend Fällen Inhaltsverzeichnisse von Büchern, Hausarbeiten oder Seminaren für meine eigenen Zwecke oder zum Ausprobieren erstellen lassen und war positiv überrascht von der Abdeckung, dem Detailgrad und der Übereinstimmung mit dem aktuellen Wissensstand dieser Inhaltsverzeichnisse.

So beauftragte ich ChatGPT testweise mit der Erstellung einer Kursagenda für einen ganztägigen Kurs über Requirements Engineering. Die Eingabeaufforderung lautete schlicht: “Erstellen Sie eine Kursagenda für einen achtstündigen Kurs über Requirements Engineering.”

Ohne einen Standard zu erwähnen, entsprach die Agenda dem Curriculum des International Requirements Engineering Board (IREB). [6] Wie man sieht, hat der Chatbot ohne explizite Aufforderung sogar sinnvolle Pausen und Übungen eingeplant!

Agenda für RE Kurs

Abbildung 2: Agenda eines Requirements Engineering Kurses

Auf die Anfrage “Ich suche ein anschauliches Fallbeispiel, um daran in einer Vorlesung Projektmanagement-Techniken zu demonstrieren” erstellte ChatGPT

  • eine detaillierte, mehrseitige Kursstruktur,
  • das – zugegebenermaßen nicht sehr originelle – Anwendungsbeispiel “Entwicklung eines Online-Shops”,
  • eine Beschreibung des Fallbeispiels,
  • eine Liste der daran zu vermittelnden Projektmanagement-Techniken (die tatsächlich diejenigen sind, auf die ich in meiner Vorlesung den Schwerpunkt lege) und
  • einen 24-wöchigen Zeitplan für die Projektphasen.

ChatGPT hat die Semesterferien nicht berücksichtigt, aber ansonsten ist das Ergebnis tadellos.

ChatGPT war auch in der Lage, ein Inhaltsverzeichnis für ein Fachbuch über Datenbanken zu erstellen, das die üblichen Inhalte solcher Lehrbücher abdeckt. Sogar die Themen „Ethik und Datenschutz“ sind vorgesehen. Der Vorschlag umfasst acht Kapitel, die bis zur dritten Gliederungsebene geplant sind.

Diese Ergebnisse zeigen die sehr gute Eignung von ChatGPT für die Strukturierung von Lehrmaterialien und Schulungsunterlagen, aber auch von Berichten und Konzepten.

Beispiel 3: Methoden anwenden

Die Anwendung von Methoden auf Beispiele erfordert ein tiefes Verständnis sowohl des Anwendungsbeispiels als auch der Methode. Eigentlich hatte ich erwartet, dass ChatGPT nicht viel mehr als oberflächige Texte erstellen kann. Aber auch diese Aufgabe hat ChatGPT sehr gut gelöst.

Aus diesem Grund würde ich ChatGPT auch als “starke KI” bezeichnen, also als künstliche Intelligenz, die sich für viele verschiedene Anwendungen eignet, eben nicht nur für die Generierung von Fachchinesisch und Inhaltsverzeichnissen.

Zu den Hausarbeiten, die ChatGPT für uns schreiben sollte, gehörten auch solche, in denen Methoden auf ein selbstgewähltes Projekt angewendet werden, konkret

  • die Analyse von Stakeholdern,
  • die Ermittlung von Anforderungen,
  • die Durchführung einer FMEA (Failure Mode and Effects Analysis)
  • sowie die Analyse eines Prozesses auf Schwachstellen und Verbesserungsmöglichkeiten. [4]

Die relevanten Stakeholder wurden sinnvoll identifiziert und ihre Bedürfnisse und Erwartungen richtig zugeordnet.

Bei der Ermittlung der Anforderungen stieß ChatGPT an seine Grenzen, was aber auch daran liegen kann, dass wir ihm nur sehr oberflächliche Informationen gegeben haben und ChatGPT vieles erfinden musste.

Die FMEA-Analyse, eine Methode zur Identifizierung und Bewertung von Risiken, konnte ChatGPT sinnvoll einsetzen. Der Chatbot war in der Lage, potenzielle Fehlerquellen zu identifizieren, ihre Auswirkungen auf das Projekt zu diskutieren und Maßnahmen zur Risikominderung vorzuschlagen. Allerdings gab es einen Nachteil: In jedem Schritt der FMEA-Analyse behandelte ChatGPT andere Risiken. [7]

In einer anderen Arbeit schnitt ChatGPT jedoch bei der FMEA-Analyse sehr gut ab und rekonstruierte die wesentlichen Inhalte unserer Musterlösung als FMEA-Tabelle. Dabei schnitt ChatGPT im Vergleich zu vielen anderen Chatbots am besten ab.

Im praktischen Einsatz müssten diese Ergebnisse jedoch von Experten überprüft und ergänzt werden. Der Vorteil gegenüber einer rein manuellen Analyse ist, dass die Überprüfung einer FMEA-Analyse schneller geht als die Erstellung.

Beispiel 4: Prototypen erstellen

Im Prinzip ist ChatGPT keine KI für die Erstellung von Bildern, aber es kann Code schreiben und somit auch HTML-Code für einen Prototyp.

Abbildung 3 zeigt einen teilweise funktionsfähigen HTML-Bildschirm-Prototyp für eine Web-Anwendung, die Aufgabenlisten verwaltet. Der Benutzer kann neue Aufgaben erstellen, die dann in der Liste angezeigt werden. Da es sich um reines HTML handelt, gibt es keine Persistenz, d.h. sobald der Browser geschlossen wird, geht die Aufgabenliste verloren. Das Potential für die Zukunft wird jedoch deutlich.

Prototyp Aufgabenliste

Abbildung 3: Funktionaler Screen-Prototyp in HTML für eine Web-Anwendung zur Aufgabenverwaltung

Beispiel 5: Anforderungen formulieren

ChatGPT kann Anforderungen formulieren, kreativ gestalten, deren Qualität diskutieren und sogar verbessern. Dabei können auch Vorlagen wie User Stories oder Use Cases vorgegeben werden.

Eine andere Studentin ließ ChatGPT zahlreiche Anforderungen an einen Fahrradverleih erstellen. [8] Da ich dieses Beispiel in meinen Seminaren verwende, hatten wir bereits eine Musterlösung. ChatGPT war in der Lage, die typischen Funktionalitäten eines Fahrradverleihs sowie zahlreiche kreative Anforderungen zusammenzustellen.

Hier zwei Beispiele für die generierten User Storys:

  • Fahrrad ausleihen: “Als Kunde eines Fahrradverleihs möchte ich ein Fahrrad ausleihen können, um eine Radtour zu machen oder um das Fahrrad vor dem Kauf auszuprobieren und um flexibel zu sein und das Fahrrad nur für die Zeit zu bezahlen, in der ich es benutze.”
  • Konto sperren: “Als Kunde möchte ich, dass mein Konto gesperrt wird, wenn eine Zahlung aussteht, so dass niemand mehr auf mein Konto zugreifen kann und ich mich verpflichtet fühle, meine Schulden zu begleichen.”

(Anmerkung: Laut Musterlösung wünscht der Betreiber diese Kontosperrung, um Betrug zu verhindern).

Auch textuelle Anwendungsfälle konnten erfolgreich erstellt werden, alle Felder der Vorlage wurden sinnvoll ausgefüllt. Mit Hilfe der Mermaid-Syntax erstellte ChatGPT auch passende UML-Diagramme. [9]

Somit könnte ChatGPT im Projektkontext, insbesondere in den frühen Phasen, als zeitsparendes Werkzeug zur Erstellung eines ersten Entwurfs von Spezifikationen eingesetzt werden. Die Zeitersparnis ergibt sich auch hier daraus, dass die Prüfung dieser Spezifikation schneller geht als eine manuelle Neuerstellung.

Natürlich muss weiterhin eine Abstimmung mit den Stakeholdern erfolgen, um sicherzustellen, dass die Anforderungen die tatsächlichen Bedürfnisse und Erwartungen der Stakeholder widerspiegeln. Ein KI-Modell kann nur erste plausible Vorschläge liefern.

Beispiel 6: Anforderungen qualitativ bewerten und verbessern

Eine Studentin testete ChatGPT auch für die Qualitätsbewertung und Qualitätsverbesserung von Anforderungen. [8] Dabei gab sie konkrete Qualitätskriterien an die Anforderungen wie z.B. Verständlichkeit vor, die ChatGPT auch korrekt anwenden konnte und Verbesserungsvorschläge generierte.

Beispielsweise verglich ChatGPT die selbst generierte User Story “Fahrrad ausleihen” mit der User Story aus der Musterlösung und kam zu folgendem Ergebnis:

“Die generierte User Story ist besser. Sie beschreibt detaillierter, warum der Kunde ein Fahrrad ausleihen möchte, welche Ziele er damit verfolgt und welchen Nutzen er daraus ziehen kann. Außerdem werden klare Gründe für das Ausleihen genannt (Testen vor dem Kauf, Flexibilität und Bezahlung nur für die tatsächliche Nutzungsdauer). Die Musterlösung hingegen ist zu allgemein und lässt viele Fragen offen, z.B. welche Art von Fahrrad verliehen werden soll oder wie die Ausleihe organisiert wird.” [8]

Die ersten drei Sätze machen Sinn, der vierte Satz passt so nicht, da auch die generierte User Story diese Fragen offen lässt!

Grundsätzlich hat die Qualitätsbewertung und -verbesserung gut funktioniert. Manchmal hat ChatGPT jedoch die ursprüngliche Bedeutung von Anforderungen verändert oder unnötige Details hinzugefügt. Auf keinen Fall kann uns die KI die Qualitätssicherung der von ihr generierten Anforderungen abnehmen.

Beispiel 7: Brainstorming

In meiner täglichen Arbeit benutze ich ChatGPT nur wenig, da ich meine Texte immer noch gerne selbst schreibe und mir sein Schreibstil zu oberflächlich ist. Es gibt jedoch einen Bereich, in dem ich ChatGPT immer wieder gerne und mit immer neuem Erstaunen einsetze, nämlich als Diskussionspartner für eine Brainstorming-Session.

ChatGPT ist unglaublich kreativ, wenn es darum geht, Bestehendes neu zu kombinieren.

Beim Brainstorming kommt es nicht darauf an, dass ChatGPT korrekte Ergebnisse liefert, sondern dass sie neu und überraschend sind. Oft genug führt eine scheinbar sinnlose Idee zu einer besseren. Auch wenn die meisten ChatGPT-Ideen nicht innovativ sind, so gibt es doch fast immer etwas Neues und Überraschendes in jeder seiner Aufzählungen.

Besonders nützlich sind die Ideen von ChatGPT, wenn ich etwas ganz Neues machen will, z.B. einen neuen Kurs, oder wenn ich etwas Bestehendes verbessern will. Zudem hat ChatGPT zu jedem Thema etwas zu sagen und bietet nicht nur Inhalte, sondern auch Fallstudien und Übungen. ChatGPT ist als Brainstorming-Partner uneingeschränkt zu empfehlen!

Zusammenfassung

Der Einsatz von ChatGPT in den obigen Anwendungsbeispielen wirft ein Licht auf die Stärken und Schwächen des KI-Modells in der Zusammenarbeit in der Informatik.

Die Stärken: ChatGPT ist schnell und liefert eine sehr gute Qualität, insbesondere wenn man Form und Qualitätskriterien vorgibt, so dass mit wenig Aufwand und einer Qualitätssicherungsrunde ein gutes Endergebnis erzielt werden kann. Die Texte sind kreativ und gut strukturiert.

Schwächen: Die generierten Texte sind teilweise oberflächlich. Inhalte können plausibel erfunden oder unrealistisch sein. Leider ist chatGPT auch nicht in der Lage, seine Quellen anzugeben.

Konsequenzen für die Informatikarbeit: Wir stehen definitiv am Anfang einer Revolution der Textproduktion in der Arbeitswelt, auch in der Informatik. Trotz aller Einschränkungen kann ChatGPT zu einer Zeitersparnis bei der Textproduktion in der Informatik führen, indem schnell ein erster Entwurf des zu erstellenden Dokuments generiert werden kann. Entspricht die erste Version noch nicht dem Gewünschten, kann der Versuch mit klareren Vorgaben im optimierten Prompt schnell wiederholt werden.

Natürlich muss der von ChatGPT generierte Entwurf unbedingt einer inhaltlichen Prüfung unterzogen werden. Insbesondere in Bereichen, die ein tiefes Verständnis erfordern, sicherheitskritisch, ethisch oder rechtlich relevant sind, bleibt menschliche Expertise unverzichtbar. Die Experten können jedoch durch die Zusammenarbeit mit chatGPT die gleiche Qualität in kürzerer Zeit produzieren, was in Zeiten des Fachkräftemangels dazu führt, dass mit dem gleichen Personal mehr und besser gearbeitet werden kann und hoffentlich die Anzahl der Überstunden bei den Experten reduziert werden kann.

Die Beispiele zeigen aber auch, dass die Arbeit von KI-Modellen wie ChatGPT bewusst gesteuert und überwacht werden muss, z.B. durch schrittweise Ausführung von Methoden, klare Qualitätsvorgaben und detailliert formulierte Eingabeaufforderungen. Denn nach wie vor gilt: „A fool with a tool is just a faster fool“.

 

Hinweise:

Frau Dr. Andrea Herrmann ist freiberufliche Trainerin, Autorin und Beraterin für Software Engineering. Ihre besondere Leidenschaft gilt dem Requirements Engineering, das in naher Zukunft durch KI revolutioniert wird. Unter http://www.herrmann-ehrlich.de/ bloggt sie regelmäßig.

[1] ChatGPT
[2] LMSYS Chatbot Arena Leaderboard
[3] gpt4all ist eine solche Open Source Lösung
[4] Daniel Kießling: “Künstliche Intelligenz – ChatGPT als Autor wissenschaftlicher Arbeiten und mögliche Konsequenzen für Hochschulen.” Projektarbeit, AKAD University, 2023
[5] Es gibt inzwischen Tools wie bspw. perplexity, die versuchen, Large Language Models mit Suchmaschinenfunktionalitäten zu kombinieren
[6] IREB
[7] Tim Reich: “Vergleich und Bewertung verschiedener künstlicher Intelligenzen zur Erstellung einer FMEA-Analyse.” Masterarbeit, AKAD Hochschule, 2024
[8] Nadine Weiß: “Generierung und Bewertung von User Storys und Use Cases mit ChatGPT.” Hausarbeit im Modul PWS81, AKAD University, 2023
[9] Mermaid-Syntax

Wenn Ihnen der Beitrag gefällt oder Sie darüber diskutieren wollen, teilen Sie ihn gerne in Ihrem Netzwerk.

Im t2informatik Blog hat Dr. Andrea Herrmann weitere Beiträge veröffentlicht, u. a.

t2informatik Blog: Empirisches Requirements Engineering

Empirisches Requirements Engineering

t2informatik Blog: Die künstliche Intelligenz und unsere Zukunft

Die Künstliche Intelligenz und unsere Zukunft

t2informatik Blog: Teambuilding im Requirements Engineering

Teambuilding im Requirements Engineering

Dr. Andrea Herrmann
Dr. Andrea Herrmann

Dr. Andrea Herrmann ist seit 2012 freiberufliche Trainerin und Beraterin für Software Engineering. Sie hat mehr als 28 Berufsjahre in Praxis und Forschung.

Frau Dr. Herrmann war zuletzt als Vertretungsprofessorin an der Hochschule Dortmund tätig, sie hat mehr als 100 Fachpublikationen veröffentlicht und hält regelmäßig Konferenzvorträge. Sie ist offizielle Supporterin des IREB-Board, sowie Mitautorin von Lehrplan und Handbuch des IREB für die CPRE Advanced Level Zertifizierung in Requirements Management.