🧠 Tutorial: Verwendung der künstlichen Intelligenz-gestützten Textanalyse von Visual Paradigm für die Softwaregestaltung

Von unstrukturierten Problemformulierungen zu klaren, umsetzbaren Klassendiagrammen – in Minuten.

🎯 Was ist eine künstliche Intelligenz-gestützte Textanalyse?

Visual Paradigm’s künstliche Intelligenz-gestützte Textanalyse ist ein intelligenter Modellierungsassistent, der Produktmanager, Softwarearchitekten und Entwickler bei der Übersetzung von unstrukturierte natürliche Sprache (z. B. Benutzerstories, Anforderungen oder Systembeschreibungen) in ein strukturiertes Domänenmodell — genauer gesagt, ein UML-Klassendiagramm.

Anstatt Entitäten, Attribute und Beziehungen manuell zu identifizieren, analysiert die KI den Text, extrahiert relevante Gestaltungselemente und schlägt ein visuelles Modell vor, das Sie verfeinern können.

🔍 Kernidee: Narrative → Substantive → Klassen → Beziehungen → Diagramm — automatisch.

✅ Hauptvorteile

🛠️ Schritt-für-Schritt-Anleitung (mit echten Beispielen)

Lassen Sie uns durchgehen drei schrittweise komplexere Beispiele, von einfach bis enterprise-reif.

📘 Beispiel 1: Bibliotheksverwaltungssystem (Grundversion)

📝 Schritt 1: Problembeschreibung bereitstellen

• Gehe zu Werkzeuge > Apps > Textanalyse > Jetzt starten
• Geben Sie ein: Bibliotheksverwaltungssystem
• Klicken Sie auf [Problembeschreibung generieren]

👉 KI generiert:

„Ein Bibliotheksverwaltungssystem ermöglicht Bibliothekaren die Verwaltung von Büchern, Mitgliedern und Ausleihen. Mitglieder können nach Büchern suchen, bis zu fünf Artikel gleichzeitig ausleihen und zurückgeben. Überfällige Bücher verursachen Gebühren. Jedes Buch verfügt über einen Titel, einen Autor, eine ISBN und einen Verfügbarkeitsstatus. Bibliothekare können Bücher hinzufügen/entfernen und die Ausleihgeschichte einsehen.“

✅ Bearbeiten Sie, falls nötig – z. B. hinzufügen: „Unterstützt digitale E-Books und Warteschlangen für Reservierungen.“

👥 Schritt 2: Kandidatenklassen identifizieren

Klicken Sie auf [Kandidatenklassen identifizieren]

🔁 Siehe auch: „Nomen ohne Qualifikation“ (z. B. Status, Verlauf → zu ungenau oder attributartig).

✅ Akzeptiere alle oder entferne Bibliothekar falls Rollen über Berechtigungen verwalten (z. B. mit Hilfe von Benutzer + Rollenflagge).

📋 Schritt 3: Identifiziere Klassendetails

Klicken Sie auf [Klasseninformationen identifizieren]

Beispiel-Ausgabe fürBuch:

• Attribute:
  isbn: String
titel: String
autor: String
istVerfuegbar: Boolean
format: Aufzaehlung {Physisch, Digital}
• Operationen:
  pruefeVerfuegbarkeit(): Boolean
als Ausgeliehen markieren()
als Rueckgegeben markieren()

FuerAusleihe:

• Attribute:
  ausleihdatum: Datum
faelligkeitsdatum: Datum
rueckgabedatum: Datum?
• Operationen:
  berechneVerspaetungstage(): Int
Buessgeld anwenden()

💡 Pro-Tipp: Umbenennen istVerfuegbar → Status: BuchStatus (Aufzählung: Verfuegbar, Ausgeliehen, Reserviert) zur Erweiterbarkeit.

🔗 Schritt 4: Klassenzusammenhaenge identifizieren

Klicken Sie auf [Klassenzusammenhaenge identifizieren]

⚠️ Achtung: KI kann übersehenAggregation gegenüber Zusammensetzung. Bearbeiten Sie manuell, fallsAusleihesollteReferenz (nicht eigene) Buch.

🖼️ Schritt 5: Diagramm generieren

Klicken Sie auf[Diagramm generieren] → Ein vollständiges UML-Klassendiagramm erscheint!

✅ Klicken Sie dann auf[Im Visual Paradigm Online öffnen]um zu:

• Layout neu anordnen
• Stereotype hinzufügen («Entität», «Grenze»)
• Link zu Anwendungsfällen oder Sequenzdiagrammen
• Als PNG, PDF exportieren oder Java/Python-Stub-Dateien generieren

🛒 Beispiel 2: E-Commerce-Warenkorb (Mittelstufe)

Eingabeprompt:

„Online-Shop, in dem Benutzer Produkte durchsuchen, Artikel in den Warenkorb legen, Rabattcodes anwenden, per Kreditkarte oder PayPal bezahlen und Bestellungen verfolgen können. Administratoren verwalten die Lagerbestände und können Verkaufsberichte einsehen.“

AI-identifizierte Klassen:

• Benutzer, Produkt, Warenkorb, Warenkorbartikel, Bestellung, Zahlung, Rabattcode, Lagerbestand, Administrator

Bemerkenswerte Beziehungen:

• Warenkorb ◇—— Warenkorbartikel (Aggregation; Warenkorbhat Artikel, aber Artikel werden nicht mit dem Warenkorb gelöscht)
• Bestellung ◆—— Zahlung (Komposition; Zahlung ist Teil des Bestell-Lebenszyklus)
• Promocode —— Bestellung (0…1 → 1; optional beim Checkout)

Erkenntnis gewonnen:

KI schlägt vorWarenkorbartikel als getrennt vonProdukt — gut! Weil:

• Warenkorbartikel hatMenge, hinzugefügtAm, undSchnappschuss des Preises (um Preisänderungen zu behandeln).
• Produkt hataktuellerPreis, Lagerbestand.

➡️ Verhindert häufigen Modellierungsfehler: Verwechslung vonKatalogartikelmitWarenkorbzeile.

🏥 Beispiel 3:Krankenhaus-Terminsystem (Erweitert)

Eingabeprompt (angepasst für Realitätsnähe):

„Patienten buchen Termine bei Ärzten. Jeder Termin hat ein Datum/Uhrzeit, eine Art (z. B. Beratung, Nachsorge) und einen Status (geplant, abgeschlossen, storniert). Ärzte haben Fachgebiete und Arbeitszeiten. Das System sendet Erinnerungen 24 Stunden im Voraus. Pflegekräfte können Patienten einchecken. Laborergebnisse werden nach dem Besuch angehängt.“

AI-Highlights:

Intelligente Beziehung:

• Termin ◆—— Laborergebnis (1 → 0…*)
  → Erzwingt: Ergebnisse existieren nur für abgeschlossene Termine.

Verstecktes Juwel:

AI-Flaggen "Typ" und "Status" im Termin → schlägt Enums vor:

enum TerminTyp { BERATUNG, NACHFOLGE, IMPFUNG }
enum TerminStatus { GEPLANT, ANGEMELDET, ABGESCHLOSSEN, STORNIERT }

✅ Entwickler spart Zeit bei der Definition von Domänen-Enums und Validierungslogik.

🚀 Pro-Tipps zur Maximierung des Nutzens

⚠️ Einschränkungen und deren Bewältigung

📊 Wann sollte es verwendet werden (beste Anwendungsszenarien)

🌐 Nächste Schritte: Weiterführendes über das Diagramm hinaus

Ihr von der KI generiertes Klassendiagramm ist nur der Anfang. In Visual Paradigm können Sie:

1. Datenbank-Schema generieren → ERD → SQL DDL
2. Sequenzdiagramme ableiten aus Operationen (z. B. Bestellung.checkout())
3. Verknüpfung mit Anforderungen (z. B. Krawatte applyPromoCode() zu BRD Abschnitt 4.2)
4. Simulieren mit VP-Modell-Simulation
5. Als Web-Portal veröffentlichen zur Überprüfung durch Stakeholder

📬 Letzte Überlegung

„Die KI ersetzt den Designer nicht — sie ersetzt die Langeweile.”
Verwenden Sie die Textanalyse, um bringen Sie 80 % des Modells in 20 % der Zeit auf den Punkt, und investieren Sie Ihre Expertise in die kritische 20 %: Randfälle, Skalierbarkeit und Domänenfeinheiten.

📎 Bereit zum Ausprobieren?
→ Starten: Visual Paradigm Online
→ App: Werkzeuge > Apps > Textanalyse

Lassen Sie mich wissen, wenn Sie möchten:

• Ein herunterladbares Zusammenfassungsskript (PDF)
• Vorlagen für Anfragen im Bereich FinTech, SaaS, IoT oder Gesundheitswesen
• Vergleich mit manueller CRC-/Domänenmodellierung

Viel Erfolg beim Modellieren! 🧩