Author supplied: Teaching software architecture (SA) in a bachelor computer science curriculum can be challenging, as the concepts are on a high abstraction level and not easy to grasp for students. Good techniques and tools that help with addressing the challenging SA aspects in a didactically responsible way are needed. In this tool demo we show how we used the software architecture compliance checking tool HUSACCT for addressing various concepts of SA in our courses on software architecture. The students were introduced to architectural reconstruction and architecture compliance checking, which helped them to gain important insights in aspects such as the relation between architectural models and code and the specification of dependency relations between architecture elements as concrete rules.
DOCUMENT
"The booklet presents curated real-world good practice examples that help translate our strategy into concrete actions, and in turn, into the design of education and training programmes that will contribute to skill, upskill, or reskill individuals into high demand professional software roles."
LINK
Both Software Engineering and Machine Learning have become recognized disciplines. In this article I analyse the combination of the two: engineering of machine learning applications. I believe the systematic way of working for machine learning applications is at certain points different from traditional (rule-based) software engineering. The question I set out to investigate is “How does software engineering change when we develop machine learning applications”?. This question is not an easy to answer and turns out to be a rather new, with few publications. This article collects what I have found until now.
LINK
Many lithographically created optical components, such as photonic crystals, require the creation of periodically repeated structures [1]. The optical properties depend critically on the consistency of the shape and periodicity of the repeated structure. At the same time, the structure and its period may be similar to, or substantially below that of the optical diffraction limit, making inspection with optical microscopy difficult. Inspection tools must be able to scan an entire wafer (300 mm diameter), and identify wafers that fail to meet specifications rapidly. However, high resolution, and high throughput are often difficult to achieve simultaneously, and a compromise must be made. TeraNova is developing an optical inspection tool that can rapidly image features on wafers. Their product relies on (a) knowledge of what the features should be, and (b) a detailed and accurate model of light diffraction from the wafer surface. This combination allows deviations from features to be identified by modifying the model of the surface features until the calculated diffraction pattern matches the observed pattern. This form of microscopy—known as Fourier microscopy—has the potential to be very rapid and highly accurate. However, the solver, which calculates the wafer features from the diffraction pattern, must be very rapid and precise. To achieve this, a hardware solver will be implemented. The hardware solver must be combined with mechatronic tracking of the absolute wafer position, requiring the automatic identification of fiduciary markers. Finally, the problem of computer obsolescence in instrumentation (resulting in security weaknesses) will also be addressed by combining the digital hardware and software into a system-on-a-chip (SoC) to provide a powerful, yet secure operating environment for the microscope software.
Er ontstaan in Nederland veel blessures als gevolg van overbelasting in alle lagen van de sport. Hoe kunnen deze blessures worden voorkomen? Insteek van dit project is het gebruik van (sensor)technologie en big data analyse voor het vroegtijdig detecteren van signalen van overbelasting en daarmee het voorkomen van blessures. Een grote hoeveelheid technologie wordt momenteel al gebruikt voor het meten aan sporters (quantified self). Professionele sportclubs investeren in dure systemen. Diepte-interviews tonen echter aan dat er twee grote problemen zijn: ten eerste de grote hoeveelheid data en ten tweede de kennis voor een juiste interpretatie van de data benodigd voor een omzetting naar een trainingsadvies. Computermodellen opgebouwd uit systematische data-analyse van de enorme hoeveelheden trainingsdata en aangevuld met domeinkennis kunnen deze problemen oplossen. Er is behoefte aan een systeem waarin informatie uit verschillende bronnen in één systeem wordt opgeslagen en toegankelijk gemaakt om vervolgens geïntegreerd geanalyseerd te kunnen worden. Individuele profielen moeten gebouwd worden uit de data voor een snelle, automatische interpretatie. Hiermee kan grensbewaking voor overbelasting plaatsvinden en kunnen trainingsaanpassingen gedaan worden waar nodig. Vanuit deze behoefte richt het project zich op de praktijkvraag “Hoe kunnen we een praktisch toepasbaar gereedschap ontwikkelen dat valide de externe en interne trainingsbelasting kan meten, de (para)medische staf en/of fysiek trainer helpt bij het detecteren van (potentiële) overbelasting en daarmee helpt bij het plegen van de juiste interventies voor het voorkomen van blessures?”. Het principe van een dergelijke ‘belastingmonitor’ is al aangetoond. Voor een volwaardig prototype zal echter zowel het computermodel als de gebruikersapplicatie technisch gezien moeten worden doorontwikkeld, geoptimaliseerd, uitgebreid en vooral getest. Daar richten de onderzoeksvragen van dit project zich op. De focus ligt in eerste instantie op het (betaalde) voetbal, maar kan ook naar andere teamsporten en de breedtesport vertaald worden.
Fietsen is diepgeworteld in de Nederlandse cultuur en draagt bij aan een duurzame, gezonde en mobiele samenleving. Met de opkomst van nieuwe (elektrische) vervoersmiddelen, neemt ook de complexiteit van het verkeer toe en ontstaan er nieuwe veiligheidsuitdagingen. Om deze effectief aan te pakken, is het van groot belang om beleidsmakers en educatieve instellingen te voorzien van diepgaande inzichten in fietsgedrag en verkeerssituaties. Met dit project richten we ons op het leveren van deze inzichten door middel van geavanceerde AI-technologieën. De huidige software-oplossingen gericht op het verbeteren van de verkeersveiligheid zijn vaak beperkt in hun functionaliteit en toepassingsgebied. Ze richten zich voornamelijk op het tellen en volgen van verkeersdeelnemers, zonder de complexiteit van fietsverkeer te analyseren. Ons project onderscheidt zich door het gebruik van recente state-of-the-art AI-methoden om complexe verkeerssituaties en fietsgedrag automatisch te analyseren en te classificeren. Ons AI-gestuurde systeem maakt gebruik van Nederlandse videobeelden afkomstig van zowel statische camera's als camera's gemonteerd op fietsers. Hierdoor kunnen we onveilig fietsgedrag en risicovolle situaties herkennen en aanbevelingen doen aan beleidsmakers voor infrastructuuraanpassingen. Het implementeren van AI in opleidingen zoals ruimtelijke ordening zal leiden tot een verfrissend curriculum dat studenten future-proof opleidt. Samen werken we aan de ruimtelijke ontwikkeling van de toekomst. Bovendien kunnen de AI-tools worden gebruikt om lesmateriaal te ontwikkelen, waardoor zij beter inzicht krijgen in de factoren die bijdragen aan onveilige situaties en hoe zij hun gedrag kunnen aanpassen om het risico op ongevallen te verminderen. Het aanvragende consortium bestaat uit een multidisciplinair team van onderzoekers en studenten uit de AI, computer vision, verkeerspsychologie, verkeerskunde en ruimtelijke ontwikkeling, die samenwerken met publieke instellingen en commerciële partners aan een open-source intelligent softwaresysteem. Samengevat zal dit project niet alleen de huidige kennis over fietsgedrag en verkeersveiligheid uitbreiden, maar ook de manier waarop beleidsmakers en educatieve instellingen met deze kwesties omgaan transformeren.
