In diesem Weiterbildungsprogramm erhalten Sie im ersten Teil eine fundierte Ausbildung in Data-Science-Grundlagen für Systems Engineers. Darauf aufbauend vertiefen wir den Einsatz generativer Künstlicher Intelligenz (GenAI) entlang des gesamten Systems-Engineering-Lebenszyklus – von der Anforderungsanalyse über Architektur und Modellierung bis hin zu Verifikation, Validierung und Änderungsmanagement – mit besonderem Fokus auf automotive Entwicklungsprozesse und Normen.

Ein zentraler Bestandteil des Programms ist die Einführung in Automotive SPICE® V4.0, insbesondere die neue Machine Learning Engineering Process Group (MLE). Sie lernen, wie KI-basierte Systeme nach Automotive SPICE geplant, entwickelt, getestet und bewertet werden – und wie Sie ML-spezifische Anforderungen, Validierungskriterien und Datenqualitätsprozesse praxisnah umsetzen.

Sie erfahren, wie Sie mit KI-Unterstützung schneller zu konsistenten Systemanforderungen, klaren Schnittstellendefinitionen und belastbaren Systemarchitekturen gelangen. Dabei kombinieren wir methodisches Know-how mit modernen Werkzeugen:
z. B. MBSE (Model-Based Systems Engineering) mit SysML/UML, Traceability, Variantenmanagement, sowie automatisierte Analyse- und Dokumentationsprozesse mittels generativer KI.

Im Praxisteil wenden Sie die vermittelten Inhalte direkt an. Sie lernen, wie GenAI und ML die Effizienz und Qualität im Systems Engineering verbessern – etwa durch:

• Automatische Konsistenzprüfungen und Impact-Analysen

• Generierung von Testfällen und Architekturvorschlägen

• Refactoring von Modellen und Systemarchitekturen

• Unterstützung bei der Bewertung von ML-Modellen gemäß ASPICE V4.0

Zielgruppe:

Systems Engineers, Requirements Engineers, Architekt:innen und Testmanager:innen in mechatronischen, softwareintensiven oder sicherheitskritischen Domänen

Entwicklungs- und Prüfingenieur:innen mit Fokus auf System-, Subsystem- und Schnittstellenverantwortung

Quereinsteiger:innen aus Informatik, Elektrotechnik, Maschinenbau, Mathematik oder Physik mit Interesse an modellbasierten Methoden und KI-gestützten Arbeitsabläufen