Entwurf einer Softwarearchitektur zur Integration von Anwendungsfällen in eine Plattform zur Datensynthese

Abstract

Diese Arbeit betont die Bedeutung der Generierung synthetischer Daten für unzureichende Datensätze, insbesondere im Bereich Künstliche Intelligenz. Die Plattform DaFne, welche in einem Forschungsprojekt entwickelt wird, bietet umfassende Ansätze zur Generierung synthetischer Daten. Die Forschungslücke besteht in der Identifikation und Entwicklung geeigneter Architekturmuster für solche Datensynthese-Plattformen. Ziel dieser Arbeit ist die Entwicklung eines flexiblen Architekturentwurfs, der die Funktionalitäten und Anwendungsfälle von DaFne integriert und für zukünftige Funktionen erweiterbar ist. Dazu wird, basierend auf der ersten Forschungsfrage, die Eignung vorhandener Architekturmuster für Maschinelles Lernen untersucht. Mit der zweiten Forschungsfrage wird anschließend die Entwicklung eines eigenen Entwurfs angestrebt. Durch die Analyse der Architekturmuster kann belegt werden, dass die einzelnen Muster durch ihre individuellen Vorteile eine Grundlage dafür schaffen, eine Plattform zur Datensynthese zu entwickeln. Dabei können gemeinsame Vorteile und Schwachstellen identifiziert werden. Zusätzlich stellt sich heraus, dass ein Microservice-Entwurf mit einem Gateway anzustreben ist. Der resultierende Plattform-Entwurf ermöglicht die nahtlose Integration verschiedener Anwendungsfälle und Funktionalitäten, impliziert jedoch Optimierungspotenziale, die zu berücksichtigen sind.

This work emphasises the importance of generating synthetic data for insufficient data sets, especially in the field of artificial intelligence. The DaFne platform, which is being developed in a research project, offers comprehensive approaches for generating synthetic data. The research gap is the identification and development of suitable architectural patterns for such data synthesis platforms. The aim of this work is to develop a flexible architectural design that integrates the functionalities and use cases of DaFne and can be extended for future functions. Based on the first research question, the suitability of existing architecture patterns for machine learning is analysed. The second research question then aims to develop an own design. By analysing the architectural patterns, it can be proven that the individual patterns create a basis for developing a platform for data synthesis due to their individual advantages. Common advantages and weaknesses can be identified. In addition, it turns out that a microservice design with a gateway is desirable. The resulting platform design enables the seamless integration of different use cases and functionalities, but implies optimisation potential that needs to be taken into account.