Eine der wesentlichen Herausforderungen beim Architekturentwurf besteht darin, komplexe Systeme in Abhängigkeit der funktionalen und nicht funktionalen Anforderungen in klar definierte, modulare Komponenten zu zerlegen. Allgemein gesprochen können LLMs hierbei als intelligente Assistenten fungieren, indem sie textuelle Beschreibungen analysieren helfen, Anforderungen strukturieren und Vorschläge für die Modularisierung und Strukturierung der Architektur liefern. So können LLMs unterstützen, die initiale Architektur zu skizzieren und Architekturdokumente effizient zu erstellen.

>> Lesen Sie Teil 1 bis 5 der Artikelserie »ChatGPT in der Industrie«

Eine besondere Herausforderung ist, dass neben der textuellen Beschreibung auch meist Diagramme für die Architekturdarstellung und für die Dokumentation zum Einsatz kommen. Da die heute verfügbaren LLMs diese jedoch nicht direkt erzeugen können und auch von den bisherigen KI-Bildgeneratoren außer hübschen Bildern keine verwertbaren Ergebnisse zu erwarten sind, muss ein kleiner Trick helfen: Durch die Verwendung von textbasierten Diagrammen wie ‚PlantUML‘, ‚Mermaid‘ oder ähnliche sind LLMs in der Lage, auch in dieser Hinsicht zu unterstützen. Sie sind somit nicht nur auf reine Textinformationen angewiesen.

Generelle Prompt Engineering Regeln

Damit der Einsatz generativer KI für die Konzeption und den Architekturentwurf erfolgreich sein kann, gelten auch hier die in den vorherigen Artikeln beschriebenen Regeln für das Prompt Engineering. Zusammengefasst:

• Verwenden von allgemein guten Prompt Formulierungen: klare und spezifische Anweisungen, Trennzeichen und strukturierte Ausgabeformate.
• Einsetzen von Prompt-Techniken, die helfen die »Denktiefe« und »Schlussfolgerung« von LLMs zu erhöhen: Beispielsweise Chain-of-Thought, Tree-of-Thought oder Step-Back-Prompt-Techniken.
• Einsetzen von Prompt-Techniken mit Format-Templates und inhaltlichen Beispielen wie der Few-Shot-Prompt-Technik.
• Zusammenstellen der entscheidenden lokalen Kontexte entweder manuell oder mit der Unterstützung eines intelligenten lokalen Suchsystems genannt RAG (Retrieval Augmented Generation), was auch bei Chatbots häufig zum Einsatz kommt.

Bewährte Prozesse des Architekturentwurfs

Es gibt viele Wege, um zu einer guten Software-Architektur zu kommen. Zwei bekannte und bewährte Ansätze sind die Methoden ‚arc42‘ und ‚C4‘ zur Dokumentation und Visualisierung von Softwarearchitekturen, die wir uns auch für die Unterstützung mit generativen KIs zunutze machen können.

arc42 ist ein frei verfügbares, sehr gut strukturiertes Template und damit im eigentlichen Sinn keine reine Methode. Dieses Template ist ein Rahmenwerk zur Dokumentation von Software-Architekturen, das in zwölf Abschnitte unterteilt ist, um möglichst alle architekturrelevanten Aspekte abzudecken. Es beginnt mit einer Einführung und Zielen, gefolgt von Randbedingungen und einer Kontextabgrenzung. Die Abschnitte wie Bausteinsicht, Laufzeitsicht und Verteilungssicht ermöglichen es den Entwicklern, die Architektur umfassend zu beschreiben und nachvollziehbar zu machen. Die Perspektive auf die Risiken und technischen Schulden sowie ein Glossar, schließen das Template ab.

>> Lesen Sie Teil 1 bis 5 der Artikelserie »ChatGPT in der Industrie«

Durch die gute Gliederung und die unterschiedlichen gut beschriebenen vorgegebenen Sichten bietet das arc42 einen hervorragenden Ausgangspunkt, um mit generativer KI die einzelnen Abschnitte in Verbindung mit den eigenen gegebenen Informationen und Absichten vorformulieren zu lassen.
Im Gegensatz zu arc42 ist die C4-Modellierungsmethode kein Dokumenten-Template, sondern ein Ansatz zur Darstellung der Architektur von Software-Systemen, der auf der Visualisierung verschiedener Abstraktionsebenen basiert. Sie umfasst vier Ebenen, die jeweils einen spezifischen Aspekt der Softwarearchitektur detaillierter betrachten: Context, Container, Components und Code. Beginnend auf der höchsten Ebene (Context) wird das System im Verhältnis zu externen Systemen und Nutzern gezeigt, gefolgt von einer detaillierteren Darstellung der Hauptanwendungen und Datenspeicher im Containers-Diagramm. Die dritte Ebene (Components) zerlegt die Container weiter in ihre Hauptkomponenten und deren Interaktionen, während die Code-Ebene schließlich die Implementierungsdetails aufzeigt, beispielsweise Klassen oder Schnittstellen.

Bild 1. Die ChatGPT-Aufgabe: Ein Retrofit-fähiges IIoT-Kit für die Temperaturüberwachung von Produktionsanlagen soll entstehen. Dabei sind zusätzliche Sensoren, Datenlogger, eine Übertragungseinheit und ein SPS-fähiges unabhängiges Dashboard mit im Spiel.

© talsen team

Die systematische Zerlegung größerer Probleme in die jeweiligen unterschiedlichen Abstraktionsebenen ist eine bewährte Taktik, um produktiv mit generativen KIs zu arbeiten. Das Prinzip vom „Groben zum Feinen“ hat sich – wie im vorherigen Artikel beschrieben – auch schon bei der Unterstützung der Formulierung von Anforderungen gemäß der Abstraktionsebenen aus der verhaltensgetriebenen Software-Entwicklung (BDD) als sehr nützlich erwiesen. Damit ist die erforderliche Denktiefe der LLMs gut zu regulieren. Wenn die Ergebnisse zu unscharf werden und die Formulierungen der LLMs nicht mehr nützlich sind, ist das ein starker Hinweis auf entweder den fehlenden relevanten Kontext oder einen zu großen Sprung zwischen den Abstraktionsebenen, der zu viele unsichtbare und unbekannte Annahmen auf LLM-Seite zur Folge hat. Dies wiederum hat sehr wahrscheinlich einen höheren manuellen Korrekturaufwand der LLM-Antworten zur Folge.

Wie nützlich die Taktik vom „Groben zum Feinen“ oder „Teile und Herrsche“ für den Einsatz generativer KI ist, betrachten wir konkret am Beispiel das aktuellen Topmodells gpt-4o von OpenAI (erreichbar über den kostenpflichtigen Account von ChatGPT) anhand der Architekturbeschreibung eines einfachen IIoT-Beispiels (Bild 1):

Das Beispiel der verketteten Produktionsanlagen lässt sich mit zwei Architekturbeschreibungen angehen:

• Variante 1: Die Erstellung eines Architekturbildes oder -diagramms anhand einer einfachen Text- und Bildbeschreibung.
• Variante 2: Die systematische Erstellung mit C4 anhand einer einfachen Text- und Bildbeschreibung.

Variante 1 – eine zu einfache Methode

Der Anwendungsfall demonstriert, dass LLMs je nach Prompt ganz unterschiedliche Ergebnisqualitäten erzeugen können. Verwenden wir das Bild des IIoT-Beispiels – kann per Drag&Drop oder Copy&Paste eingefügt werden – mit dem Prompt »Erstelle basierend auf der gegebenen Beschreibung das Komponenten-Diagramm der erforderlichen Applikation«, ist das für das LLM im wahrsten Sinne des Wortes zu kurz gesprungen. Die Ergebnisse werden ohne weitere Angaben in den meisten Fällen enttäuschend und unbrauchbar sein.