Prof. Dr. Hartmut Westenberger

• Mitglied des THK-AI Forschungsclusters
  Das THK-AI Forschungscluster ist mit dem Anspruch “Mit KI soziale Innovation gestalten” zentraler Ansprechpartner rund um das Thema Künstliche Intelligenz an der Hochschule, indem es kooperative Projekte zwischen Verbänden, Industriepartnern, Professorinnen und Professoren sowie Studierenden initiiert und vorantreibt.
  THK-AI Forschungscluster

Preprint

• Benchmarking Large Language Models for ABAP Code Generation: An Empirical Study on Iterative Improvement by Compiler Feedback
  Stephan Wallraven, Tim Köhne, Hartmut Westenberger, Andreas Moser, 21.01.2026, Hg.: arXiv
  This work investigates the performance of Large Language Models (LLMs) in generating ABAP code. Despite successful applications of generative AI in many programming languages, there are hardly any systematic analyses of ABAP code generation to date. The aim of the study is to empirically analyze to what extent various LLMs can generate syntactically correct and functional ABAP code, how effectively they use compiler feedback for iterative improvement, and which task types pose special challenges. For this purpose, a benchmark with 180 tasks is conducted, consisting of adapted HumanEval tasks and practical SAP scenarios. The results show significant performance differences between the models: more powerful LLMs achieve success rates of around 75% after several iterations and benefit greatly from compiler feedback, while smaller models perform significantly weaker. Overall, the study highlights the high potential of powerful LLMs for ABAP development processes, especially in iterative error correction.
  Benchmarking Large Language Models for ABAP Code Generation

Research Paper

• Reference Models for the Standardization and Automation of Data Warehouse Architecture including SAP Solutions
  Mene, Regys; Westenberger, Hartmut; Husic, Hrvoje, 30.07.2018, Hg.: TH Köln - CIplus (3/2018)
  Architecural aproaches are considered to simplify the generation of re-usable building blocks in the field of data warehousing. While SAP’s Layer Scalable Architecure (LSA) offers a reference model for creating data warehousing infrastructure based on SAP software, extented reference models are needed to guide the integration of SAP and non-SAP tools. Therefore, SAP’s LSA is compared to the Data Warehouse Architectural Reference Model (DWARM), which aims to cover the classical data warehouse topologies.
  urn:nbn:de:hbz:832-cos4-7251

• Studie BI-Strategie und Industrialisierung
  Vortrag auf der Data Analytics am 19. März 2018, Brühl. Abstract: BI-Strukturen, die über Jahre hinweg auf der Basis von ad hoc-Anforderungen entwickelt worden sind, erweisen sich oft als wenig transparent, beziehungsweise als aufwändig zu warten. Umbau oder Neubau für einen bimodalen Betrieb (hohe Informationsqualität / hohe Flexibilität) stellen für solche BI-Landschaften eine große Herausforderung dar. In einer Studie werden die Auswirkungen der wachsenden Anforderungen sowohl an die Flexibilität als auch die Qualität der Informationsunterstützung auf BI-Visionen, beziehungsweise BI-Ziele untersucht. Der Vortrag gibt Einblick in das in der Praxis zu beobachtende Spannungsfeld hinsichtlich der abzuleitenden Richtungsentscheidungen über Architekturentwicklung, Cloudnutzung und Outsourcing, Standardisierung und Automation, Self-Service, Governance sowie Organisationsentwicklung und -abläufe.
  19.03.2018
  Download-Area
• Customized Generative AI – reif für den produktiven Einsatz?
  Digital EXchange, 17.09.2025, Gummersbach - Die Präsentation untersucht die Einsatzbereitschaft von maßgeschneiderter generativer KI im September 2025, mit besonderem Fokus auf Retrieval-Augmented Generation (RAG). Die Autoren veranschaulichen deren Nutzen anhand einer Fallstudie zu einem Support-Chatbot, der sich im komplexen Geflecht der universitären Prüfungsordnungen zurechtfinden soll. Durch den Vergleich von RAG mit Fine-Tuning und Prompt Engineering zeigen die Quellen auf, wie hybride KI-Systeme Datenpräzision und Kosteneffizienz in Einklang bringen können. Der aktuelle Reifegrad dieser Technologien am Markt wird bewertet und gezeigt, dass für ein hoch-qualitatives RAG einige Stolpersteine zu überwinden sind. Die Erwartung, dass solche Systeme "Out-of-the-box" funktionieren ist zu relativieren. Zudem setzt eine erfolgreiche Implementierung strenge Datenverwaltung und Qualitätskontrolle voraus. Schließlich wird ein Rahmenwerk zur Bewertung der KI-Reife sowie der technischen Voraussetzungen diskutiert, die notwendig sind, um von experimentellen Pilotprojekten zum produktiven Einsatz überzugehen.
  17.09.2026

• Gesellschaft für Informatik