Analyse von ChatGPT und anderer Low-Code LLMs hinsichtlich Ihrer Eignung Prototypen effizient und zielgerichtet zu implementieren.
Hintergrund: Anstelle von textbasierter Programmierung stellt eine Low-Code-Plattform alternative Techniken zur Verfügung, die der natürlichen Denkweise der Benutzer:innen eher entsprechen. Durch diese Abstraktion wird Softwareentwicklung auch Personen ermöglicht, die keine spezielle Ausbildung dafür haben. Ein Beispiel dafür ist etwa ChatGPT, womit aus natürlicher Sprache Prototypen generiert und verfeinert werden können. Zusätzlichen zu einfachen Chat-Interfaces versprechen Ansätze wie Low-code LLM. in einigen Bereichen Unterstützung im Prompt Engineering.
Ziel der Arbeit: Ziel dieser Masterarbeit ist es, ChatGPT und Low-code LLM hinsichtlich der Implementierung von Prototypen zu analysieren und die Ergebnisse gegenüberzustellen. Die Arbeit soll untersuchen, inwieweit diese Tools als „IDE der Zukunft“ verstanden werden können und wo es limitierende Faktoren gibt.
Aufgaben:
- Definition von unterschiedlich komplexen Eigenschaften von Prototypen, die später mit den genannten Tools implementiert werden.
- Ausführung von Abfragen zur Implementierung der Prototypen und Dokumentation dieses Prozesses.
- Analyse und Evaluation der beiden Ansätze hinsichtlich eines noch zu erstellenden Kriterienkatalogs.
Erwartete Ergebnisse:
- Eine detaillierte Gegenüberstellung der beiden Tools hinsichtlich ihrer Stärken und Schwächen mit Bezug zu aktueller Literatur.
- Empfehlungen bzw. ein Leitfaden für die Nutzung der beiden Tools hinsichtlich unterschiedlicher Anforderungen von Benutzer:innen.
Betreuung: Reinhold Plösch
Die Betreuung der Masterarbeit erfolgt in Kooperation mit dem Software Competence Center Hagenberg mit der Möglichkeit eines Werk- oder Dienstvertrages.