Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, grundlegende Konzepte der Verifikation und Validierung (V&V) für technische Systeme zu beschreiben und anzuwenden und statistische Validierungsmethoden einzusetzen. Sie können Validierungsergebnisse analysieren, um Abweichungen, Fehlerursachen und Diskrepanzen zwischen Modell-/Systemverhalten und Referenzdaten zu identifizieren. Sie verstehen physikinformierte KI-Systeme und können KI-basierte Komponenten mittels Reinforcement-Learning-basierter Szenariogenerierung validieren. Die Studierenden können geeignete Bewertungsmethoden auswählen und anwenden, um die Ausgabequalität KI-basierter Systeme zu beurteilen, auch im Kontext agentenbasierter KI-Anwendungen. Die Studierenden sind in der Lage, eigenständig ein End-to-End-Validierungsverfahren für eine KI-/LLM-Pipeline zu entwerfen und umzusetzen.
Aufbauend auf den in Modellierungs- und Testtechniken behandelt dieses Modul die statistischen und methodischen Grundlagen zur Validierung, einschließlich der Analyse von Validierungsergebnissen und Bewertungsmethoden selbst.
Grundlagen von Verifikation & Validierung (V&V) für technische Systeme, statistische Validierung mittels Signifikanztests und Konfidenzintervalle
Einführung in physikinformierte KI-Systeme und KI-basierte V&V, Szenariogenerierung mit Reinforcement-Learning
Automatisierte Metriken und menschliche Bewertung zur Beurteilung der Ausgabequalität, auch bei Agentic-AI-Systemen
Inferenzstatistik für Validierung und Testergebnisse
End-to-End- (E2E) Validierung von KI-Pipelines