Beginn: Ab sofort
Erstbetreuer: Dr. Akdag
Zweitbetreuer: Prof. Dr. Heisenberg
Niveau: Masterarbeit
Problemstellung:
Die Nutzung von Large Language Models (LLMs) für die Softwareentwicklung hat rasant an Bedeutung gewonnen. Während kommerzielle Cloud-APIs dominieren, gewinnen datenschutzkonforme, lokal betriebene Open-Source-Modelle zunehmend an Relevanz. Ziel dieser Arbeit ist es, die Leistungsfähigkeit führender lokaler Coding-Modelle systematisch zu untersuchen und zu benchmarken. Neben der reinen Code-Generierung soll insbesondere evaluiert werden, wie gut sich diese Modelle als fundamentale Bausteine in autonomen Software-Agenten schlagen. Hierfür wird die Leistungsfähigkeit komplexer, multi-agentischer Workflows analysiert, um reale Programmieraufgaben kollaborativ zu lösen.
Die Nutzung von Large Language Models (LLMs) für die Softwareentwicklung hat rasant an Bedeutung gewonnen. Während kommerzielle Cloud-APIs dominieren, gewinnen datenschutzkonforme, lokal betriebene Open-Source-Modelle zunehmend an Relevanz. Ziel dieser Arbeit ist es, die Leistungsfähigkeit führender lokaler Coding-Modelle systematisch zu untersuchen und zu benchmarken. Neben der reinen Code-Generierung soll insbesondere evaluiert werden, wie gut sich diese Modelle als fundamentale Bausteine in autonomen Software-Agenten schlagen. Hierfür wird die Leistungsfähigkeit komplexer, multi-agentischer Workflows analysiert, um reale Programmieraufgaben kollaborativ zu lösen.
Vorarbeiten:
- Eine leistungsstarke NVIDIA DGX Spark Workstation steht lokal für das Hosting und Inference-Testing rechenintensiver Modelle zur Verfügung.
- Etablierte Benchmarks existieren zur Messung der Code-Generierungsqualität.
- Frameworks wie LangGraph bieten fortgeschrittene zyklische Architekturen zur Implementierung robuster und deterministischer Multi-Agenten-Systeme.
Offene Aufgaben:
- Recherche und Auswahl der top-performanten lokalen Coding-Modelle (orientiert an aktuellen Rankings).
- Deployment und Optimierung der Modelle via LM Studio oder Ollama auf der NVIDIA DGX Spark.
- Konstruktion und Implementierung eines agentischen Coding-Systems (Coding Agents) unter Verwendung von LangGraph.
- Entwicklung und Durchführung eines standardisierten Benchmark-Szenarios für die isolierte Code-Generierung sowie für die agentischen Workflows.
- Vergleichende Evaluierung der Modelle hinsichtlich Latenz, Token-Durchsatz, Genauigkeit und Fehlerkorrekturfähigkeit innerhalb des Agenten-Setups.
- Dokumentation der Best Practices für das On-Premises-Hosting von Entwicklungs-Assistenten.
Ziel der Arbeit ist es, eine fundierte Entscheidungsgrundlage zu schaffen, inwieweit moderne, lokale LLMs in Kombination mit agentischen Frameworks wie LangGraph eine konkurrenzfähige und datenschutzkonforme Alternative zu proprietären Cloud-Diensten im Software-Engineering darstellen.
Interessiert?
Wenn Sie sich für modernste KI-Hardware, Open-Source-Sprachmodelle und die Architektur von KI-Agenten interessieren, bietet diese Masterarbeit eine exzellente Schnittstelle zwischen theoretischer Evaluierung und praktischer Implementierung. Sie arbeiten direkt auf dedizierter NVIDIA Hardware und gestalten die Zukunft automatisierter Softwareentwicklungsprozesse aktiv mit.
Wenn Sie sich für modernste KI-Hardware, Open-Source-Sprachmodelle und die Architektur von KI-Agenten interessieren, bietet diese Masterarbeit eine exzellente Schnittstelle zwischen theoretischer Evaluierung und praktischer Implementierung. Sie arbeiten direkt auf dedizierter NVIDIA Hardware und gestalten die Zukunft automatisierter Softwareentwicklungsprozesse aktiv mit.