Zum Inhalt gehen
Artificial Intelligence / Neural Network / Human Face (Blue)
Public Sector

Bundesagentur für Arbeit: Maschinelles Lernen für die Code-Analyse

Kunde: Bundesagentur für Arbeit
Region: Deutschland
Sector: Public Sector

Capgemini hat ein auf maschinellem Lernen basierendes Tool zur Code-Analyse entwickelt, das der Bundesagentur für Arbeit hilft, Fehler in geschäftskritischen Software-Anwendungen zu erkennen und bereits im Vorfeld zu vermeiden.

“Als Bundesagentur führen wir jeden Monat Millionen von Transaktionen durch, um unsere Leistungserbringung gegenüber Bürgern und Unternehmen wahrzunehmen. Mit dem Ansatz von Capgemini, Machine Learning zur statischen Code-Analyse einzusetzen, konnten wir unsere Qualitätssicherung dabei nochmals verbessern. Dank dem Tool identifizieren wir auf Basis verifizierten Quellcodes nun Fehler in neuem Code auch dann, wenn noch keine entsprechende Regel für diesen Fehler vorab manuell definiert wurde.“
Thomas Paal, Geschäftsbereichsleiter, Bundesagentur für Arbeit

Intelligentes System identifiziert Muster und Regeln, um Fehler im Produktivsystem zu verhindern

Die Bundesagentur für Arbeit (BA) ist einer der größten Anwender von Informationstechnologie in Deutschland, zur Berechnung und Auszahlung des Arbeitslosengeldes werden über 800.000 Codezeilen benötigt und monatlich Millionen Transaktionen durchgeführt. Die herkömmlichen Methoden zur Qualitätssicherung der Software sind umfassend, die Test decken jedoch lediglich einen Großteil des Codes ab. Im übrigen Code auftretende Fehler müssen oft mit aufwendigen Hotfix beseitigt werden.

Capgemini entwickelte einen innovativen Ansatz, der maschinelles Lernen zur statischen Code-Analyse einsetzt. Damit können Fehler bereits im Vorfeld identifiziert und beseitigt werden, bevor diese im Produktivbetrieb auftreten.


Überblick
Herausforderungen des Kunden: Vermeidung von Programmierfehlern bei der Weiterentwicklung einer großen, geschäftskritischen Software-Anwendung

Lösung im Überblick: Entwicklung eines auf maschinellem Lernen basierenden Tools zur statischen Code-Analyse

Ergebnisse: Optimierte Qualitätssicherung durch

– Identifizierung von Code-Mustern sowie Softwarefehlern
– Vermeidung von Hotfixes
– Erkennen nützlicher Regeln für funktionale und nicht funktionale Anforderungen


Für weitere Informationen zum Projekt wenden Sie sich an: referenzen.ce@capgemini.com

Mediale Berichterstattung zum Thema:

Ein Artikel zum Thema ist in der Ausgabe 4/2018 des Fachmagazins BI-Spektrum erschienen und steht Ihnen in der Download-Leiste oben kostenlos zur Verfügung.

Video zum Thema:

Bitte erlauben Sie die Nutzung von statistischen Cookies um Youtube-Videos sehen zu können

Unsere Experten

Dr. Eldar Sultanow

Enterprise Architecture
Dr. Eldar Sultanow ist als Architekt tätig. Er hat langjährige Praxiserfahrung in der Softwareindustrie, insbesondere in den Bereichen JEE, Electronic/Mobile Commerce, Track-&-Trace und Auto-ID im Pharmabereich. In einem zwischenstaatlichen Projekt hat er eine Plattform mit konzipiert, an der internationale Finanzinstitute angeschlossen sind. Aktuell ist Eldar Sultanow als technischer Chefdesigner in einem der größten öffentlichen IT-Verfahren aktiv, das hunderttausende Transaktionen pro Tag mit einem Jahresvolumen von über 25 Milliarden EUR vollzieht.