Aftagerpanelmøde 2020...projektledelse (40,1%) (it -barometer 2020). - vi vil i 2030 mangle 19.000...
Transcript of Aftagerpanelmøde 2020...projektledelse (40,1%) (it -barometer 2020). - vi vil i 2030 mangle 19.000...
AFTAGERPANELMØDE 2020
INSTITUT FOR DATALOGI7. AUGUST 2020
Program
9.00 Velkomst og præsentationsrunde9.30 På vej mod en ny strategi for Institut for Datalogi9.45 Forventninger til IT-kandidaters kompetencer og impact i 203010.45 Kort pause10.55 Dagens status for instituttets uddannelser12.00 Frokost12.45 Instituttets uddannelsesportefølje anno 203014.00 Galleri og syntese på portefølje i plenum14.30 Navneændring: Datavidenskab og kunstig intelligens14.50 Afslutning og tak til deltagerne15.00 Tak for nu
2
Aftagerpanelet
1. Finn M. Andersen, B&O2. Kim Emil Andersen, Vestas3. Kim Houlberg, Aalborg Kommune4. Janne Jul Jensen, Elsevier5. Søren Rex Jensen, Nykredit6. Gitte Klitgaard, Native Wired7. Erik B. Pedersen, Kamstrup8. Annelise Ravn, Novo Nordisk9. Lars Riisberg, Logimatic Solutions A/S10. Natasha Friis Saxberg, IT-Branchen11. Michael Trangeled, Netcompany12. Henrik Weide, CEGO, Weide & Holm ApS13. Lars Yde, Tele2
3
Aftagerpanelets rolle mm.
• Universitetsloven: Dialog om alle spørgsmål vedrørende uddannelsesområdet, herunder blandt andet• uddannelsernes kvalitet og relevans• udvikling af nye og eksisterende uddannelser• rekruttering af studerende• nationale og internationale tendenser• rammerne for samarbejdsprojekter og projektorienterede forløb
• Medlemmer af panelet udpeges for 4 år med mulighed for forlængelse• Normalt 1 årligt møde
4
Deltagere – præsentationsrunde
AftagereHenrik WeideGitte KlitgaardJanne Jul JensenSøren Rex Jensen (online)Lars YdeNatasha Friis Saxberg (online)Kim Houlberg
InterneJesper KjeldskovUffe KjærulffLone Leth Thomsen
Ulrik NymanPeter Axel NielsenMikael B. SkovJohn Stouby PerssonBent ThomsenAnders Høgh Hansen (studerende)Melanie Selman (studerende)Elisabeth Niemeyer Laursen (studerende)Diana Plejdrup Frank (referent)
MobilizeMarie Louise Blauenfeldt (moderator)
5
På vej mod en ny strategi for Institut for Datalogi
6
Forventninger til IT-kandidaters kompetencer og impact i 2030
7
Korte oplæg
• Natasha Friis Saxberg• Søren Rex Jensen• Melanie Selman & Elisabeth Niemeyer Laursen
8
IT-KANDIDATERS KOMPETENCER OG IMPACT I 2030
AALBORG UNIVERSITET AFTAGERPANEL 7 AUGUST 2020
NATASHA FRIIS SAXBERGADM. DIREKTØR, IT-BRANCHEN
PROGRAMPUNKTER
•HVILKE BEHOV SER IT-BRANCHEN FOR IT-KANDIDATAER NU OG OM 10 ÅR?
•HVILKE KOMPETENCER FORVENTER IT-BRANCHEN, AT IT-KANDIDATER HAR NU OG OM 10 ÅR?
•HVORDAN KAN IT-KANDIDATER SKABE IMPACT /SAMFUNDSNYTTE NU OG OM 10 ÅR?
•HVORDAN KAN INSTITUT FOR DATALOGI SKABE IMPACT/SAMFUNDSNYTTE NU OG OM 10 ÅR?
BEHOV FOR IT-KANDIDATER - NU OG OM 10 ÅR
NU OM 10 ÅR
- 62,9% STØRSTE VÆKSTBARRIERE I 2020
- I 2019/2020 MÅTTE 38,7% AF IT-VIRKSOMHEDER HELT OPGIVE AT BESÆTTE STILLINGER
- DEN STØRSTE BARRIERE FOR I DE RETTE IT-KOMPETENCER; ANSØGERNE MANGLER SPECIFIKKE SPIDSKOMPETENCER.
- DET ER fortsat softwareudvikling, SOM DER ER STØRST EFTERSPØRGSEL PÅ (63,7%). DERNÆST KOMMER FORRETNINGSFORSTÅELSE (46,3%), EFTERFULGT AF IT-PROJEKTLEDELSE (40,1%) (IT-BAROMETER 2020).
- VI VIL I 2030 MANGLE 19.000 IT-SPECIALISTER I FLG. ERHVERVSSTYRELSEN
- ØGET EFTERSPØRGSEL AF KOMPETENCER INDEN FOR KONSTRUKTION OG PLANLÆGNING, HERUNDER SÆRLIGT UDVIKLERE, SYSTEMANALYTIKERE OG IT-ARKITEKTER (ERHVERVSSTYRELSEN)
- EFTERSPØRGSLEN EFTER KOMPETENCER INDEN FOR DRIFT OG SUPPORT, ER AFTAGENDE.
- KOMPETENCEBEHOV INDENFOR EN RÆKKE VÆKSTOMRÅDER, SÅSOM DYNAMISK WEBPROGRAMMERING (EX UDVIKLING AF PLATFORME TIL E-HANDEL), KOMPETENCER INDENFOR CLOUDLØSNINGER, BIG DATA OG DATA-ANALYSEKOMPETENCER, SAMT KOMPETENCER INDEN FOR DIGITALE FREMSTILLINGS- OG PRODUKTIONSTEKNIKKER.
HVORDAN KAN IT-KANDIDATER SKABE IMPACT /SAMFUNDSNYTTE NU OG OM 10 ÅR?
- Styrke fokus på innovation og iværksætteri og kontinuerligt have fokus på at øge forskningssamarbejdet med både små og store virksomheder (tendens til, at de store danske it-virksomheder har et ”forsknings-underskud”)
- Fokusere uddannelser mod de tunge tekniske kompetencer, som efterspørges, f.eks. konstruktion, og fortsætte dialogen i aftagerpanel og inkorporere inputs. IT-Branchen mener i øvrigt at det gode arbejde i aftagerpaneler skal understøttes af løbende fremskrivninger af behovet for it-kompetencer (gentagelse af undersøgelsen om de 19.000 i 2030) samt et nationalt advisory board, der kan rådgive og understøtte aftagerpanelerne.
- Øge udbuddet af efteruddannelse, så der kan opkvalificeres til branchens behov. Hver tredje IT-virksomhed (37,8%) vil bruge flere ressourcer på videreuddannelse/opkvalificering/traineeforløb.
- Tiltrække flere kvinder til tech-uddannelserne. Der er uudnyttede ressourcer og kompetencer at hente, og med mere diversitet, kan der bidrages med nye perspektiver til branchen. Med kun 12,19% kvinder i AI professioner, ligger Danmark tredjenederst i EU28, når det kommer til andelen af kvinder i AI professioner
- Det er teknologien, der skal levere løsningen på de store globale udfordringer. Og dermed får IT-kandidaterne en helt central rolle i at nytænke vores samfund – med behørig afsæt i etik, privacy og bæredygtighed.
HVORDAN KAN IT-KANDIDATER & INSTITUT FOR DATALOGI SKABE IMPACT /SAMFUNDSNYTTE NU OG OM 10 ÅR?
- Styrke fokus på innovation og iværksætteri og kontinuerligt have fokus på at øge forskningssamarbejdet med både små og store virksomheder (tendens til, at de store danske it-virksomheder har et ”forsknings-underskud”)
- Fokusere uddannelser mod de tunge tekniske kompetencer, som efterspørges, f.eks. konstruktion, og fortsætte dialogen i aftagerpanel og inkorporere inputs. IT-Branchen mener i øvrigt at det gode arbejde i aftagerpaneler skal understøttes af løbende fremskrivninger af behovet for it-kompetencer (gentagelse af undersøgelsen om de 19.000 i 2030) samt et nationalt advisory board, der kan rådgive og understøtte aftagerpanelerne.
- Øge udbuddet af efteruddannelse, så der kan opkvalificeres til branchens behov. Hver tredje IT-virksomhed (37,8%) vil bruge flere ressourcer på videreuddannelse/opkvalificering/traineeforløb.
- Tiltrække flere kvinder til tech-uddannelserne. Der er uudnyttede ressourcer og kompetencer at hente, og med mere diversitet, kan der bidrages med nye perspektiver til branchen. Med kun 12,19% kvinder i AI professioner, ligger Danmark tredjenederst i EU28, når det kommer til andelen af kvinder i AI professioner
- Det er teknologien, der skal levere løsningen på de store globale udfordringer. Og dermed får IT-kandidaterne en helt central rolle i at nytænke vores samfund – med behørig afsæt i etik, privacy og bæredygtighed.
SPØRGSMÅL?
Inden for den finansielle sektor ser vi et stadigt stigende behov for digitalisering. • Digitale kundedialog via vores netbank, hjemmesider og apps• Selvbetjeningsløsninger• STP-løsninger – sømløs integration på tværs af service leverandører – eksponering af API’er så vi kan indgå i de
finansielle øko-systemer
• Digitale betalingsløsninger – som MobilePay, Applepay mv.
• Digital infrastruktur (Nem-ID, e-nettet osv.)
• Cost-effektivisering – automatisering, robotter/AI, procesoptimering
• Compliance, data governance (her under Ethics, GDPR mv) og IT Security
Så vi er meget afhængige af, at der kommer kompetente IT folk ud af universitetet.
Overordnet vurderes AAU’s IT uddannelser som gode i forhold til vores behov. Vi har en del ansatte fra Aalborg Universitet, og vi har løbende en del studentermedhjælpere inde (10-15 stk) og flere bliver efterfølgende fastansat.
Aalborg Universitets IT uddannelser – 08-2020Søren Rex Jensen, Underdirektør i Nykredit med ansvaret for IT-drift og -infrastruktur.
Aalborg Universitets IT uddannelser – 08-2020Søren Rex Jensen, Underdirektør i Nykredit med ansvaret for IT-drift og -infrastruktur.
Hvad forventer jeg af en kandidat fra AAU?• Uddannelserne skal give en god forståelse og erfaring med datalogi/IT. Man skal kende og anvende de aktuelle
teknologier og udviklingssprog. Man forventer at man som IT-kandidat forstår og kan anvende IT i bred forstand.• Men ud over de IT faglige kompetencer – men der er også andre områder, som jeg syntes er vigtige, at man kan
for at kunne begå sig.
Samarbejdsorienteret• Vi er organiseret i agile teams, som indgår i en leverancestrøm. Et team har behov for de nødvendige
kompetencer, der skal til for iterativt kunne levere de aftalte produkter, helst selvstændigt inden for teamet, så man minimere afhængighederne til andre.
• Vi har behov for tværgående kompetencer inden for EA, IT-Security, QA, metode/proces/platforme, data governance, ITIL/IT Operations, IT-Compliance og ikke mindst gode ledere.
• AAU’s tilgang til problembaseret læring (PBL) er yderst relevant. Bliver man introduceret til diverse frameworks(eks. SAFe), teknologier til at understøtte team samarbejde?
T-profiler• Man har en bred forståelse for disciplinerne omkring IT udvikling og drift, og man har nogle områder, hvor man
er specialist.
Innovativ og løsningsorienteret• Har selv været glad for de færdigheder man får som ingeniør ift. problemløsning og struktureret tilgang til
komplekse problemstillinger. Eks. IT-arkitekter med forståelse for løsningen i sin helhed er eftertragtede.
Omstillingsparathed• Når først man er færdig med studiet, så skal man i gang med karrieren – og den kan bevæge sig ud af mange spor
– så vigtig man er klar til løbende at lære og tilpasse sig nye udfordringer. • Tilknytningen til arbejdsmarkedet ændrer sig til mere freelance og dynamisk.
Internationalt – samarbejde på tværs af landegrænser – kommunikation og sprog.
Forretningsforståelse• Vi ser at forretning og IT i større grad smelter sammen• Vi vil meget gerne udvikle vores kundevente løsninger ud fra direkte feedback fra kunderne• Evt. etablere sektor/branche specifikke uddannelsesmoduler, men generel viden omkring forretningsdomæner,
begrebs-/datamodeller osv. er vigtigt.
Aalborg Universitets IT uddannelser – 08-2020Søren Rex Jensen, Underdirektør i Nykredit med ansvaret for IT-drift og -infrastruktur.
Profiler som Nykredit DCI har rekrutteret de seneste 6 måneder:• Java udvikler• C++ og C# udvikler• Forretningsanalytikere - med forståelse for ITs bidrag til forretningen• Arkitekter indenfor bla.. Infrastruktur, Information/data, Cloud, Solution Scrum master• Test manager• Digital Designer• Data Governance
Aalborg Universitets IT uddannelser – 08-2020Søren Rex Jensen, Underdirektør i Nykredit med ansvaret for IT-drift og –infrastruktur
MELANIE SELMAN OG ELISABETH NIEMEYER LAURSEN, 7. SEMESTER SOFTWARE
DE STUDERENDES SYN PÅ KOMPETENCER FRA AAU
Vores kompetencer fra AAU
Problemorienteret og stærke evner inden for gruppearbejde- Gode egenskaber i erhvervslivet
Det er meget generel viden man får, da man berører emner fra mange forskellige områder indenfor software
- Passende til en bachelor, men mere dybdegående og erhvervsrelevante specialisering mangler
Flere muligheder for kandidatuddannelser
Datavidenskab- Åben for Software og Datalogi- Mere attraktiv som kandidat end som bachelor
Business Analytics- Mere mulighed for en forretningsorienteret IT kandidat
IT Ledelse- En mere teknisk og økonomisk orienteret udgave af den nuværende uddannelse på
SAMF
Forventede kompetencer til IT-kandidater om 10 år
Vi forventer at der behov for flere specialister senere hen- Derfor regner vi med der vil være behov for flere IT-kandidatuddannelser og mere
alternative specialiseringer på tværs af studier
Endnu mere fokus på studier/projekter som er relevante for erhvervslivet
Dagens status for instituttets uddannelser
23
Dagens status for instituttets uddannelser
1. Kort overblik v/ Uffe Kjærulff2. Datalogi og software v/ Ulrik Nyman & Thomas D. Nielsen3. BSc i informationsteknologi v/ John Persson4. Interaktionsdesign v/ Mikael Skov5. Datavidenskab v/ Bent Thomsen6. It-design og applikationsudvikling v/ Peter Axel Nielsen (stand-in)7. Drøftelse og spørgsmål
24
KOT-optag, it-bacheloruddannelser: TEKNAT vs. øvrige
25
Kilde: It-vest
0
500
1000
1500
2000
2500
3000
3500
4000
2013 2014 2015 2016 2017 2018 2019 2020
KOT-optag på it-uddannelser, uni-DK
TEKNAT Andre
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
2013 2014 2015 2016 2017 2018 2019 2020
KOT-optag på it-uddannelser, uni-DK
TEKNAT Andre
KOT-optag, it-bacheloruddannelser: TEKNAT
26
Kilde: It-vest
0
100
200
300
400
500
600
700
800
900
1000
2013 2014 2015 2016 2017 2018 2019 2020
KOT-optag på it-uddannelser, TEKNAT-DK
AAU AU DTU ITU KU SDU
0%
5%
10%
15%
20%
25%
30%
35%
40%
2013 2014 2015 2016 2017 2018 2019 2020
KOT-optag på it-uddannelser, TEKNAT-DK
AAU AU DTU ITU KU SDU
KOT-optag, it-bacheloruddannelser: TEKNAT-AAU
27
0%
10%
20%
30%
40%
50%
60%
70%
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
KOT-optag på it-uddannelser, AAU-TEKNAT
Datalogi Elektroniske Systemer
Medieteknologi Sundhedsteknologi
0
50
100
150
200
250
300
350
400
450
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
KOT-optag på it-uddannelser, AAU-TEKNAT
Datalogi Elektroniske Systemer
Medieteknologi Sundhedsteknologi
Datalogi & Software
(Bachelor)o D a t a l o g i : T h o m a s D y h r e N i e l s e n
o S o f t w a r e A a l b o r g : U l r i k N y m a n
o S o f t w a r e K ø b e n h a v n : P e t e r A x e l N i e l s e n
Introduktion tilDatalogi
Fokus for uddannelsen
Overblik over uddannelsen
Problem Baseret Læring og projektarbejde
Relation til andre uddannelser
Præsentation af studenterprojekter
Fokus på Datalogi uddannelsen
Computational thinking
Modellering
Abstraktioner
Algoritmer
Programmering
Dat 1Dat 2Dat 3Dat 4
Dat 7Dat 8Dat 9Dat 10
Dat 5Dat 6
3 årig bachelor
2 årig kandidat
Software
Working Software
Teknologi
Programmering
Team-work (Multi-projekter)
Computational thinking
Modellering
Abstraktioner
Algoritmer
Programmering
Datalogi
Datalogi 1
P0: Analyse og Problemformulering
P1: Et program der løser et problem
Imperativ programmering (IMPR)
Problembaseret læring (PV)
Datalogiens matematiske grundlag (DMG)
Datalogi 2
Et større program udviklet af en gruppe
Algoritmer og datastrukturer (AD)
Internet og webprogrammering (IWP)
Sandsynlighedteori og lineæralgebra (SLIAL)
Et program der løser et problem
Formål:At den studerende opnår viden om problemorienteretprojektarbejde og specifikt kan analysere og definere et problem inden for programmer samt beskriveproblemstillingen i en anvendelsessammenhæng med vægt på enten en teknisk eller social sammenhæng.
Eksempel på projekt
Datalogi 1
P0: Analyse og Problemformulering
P1: Et program der løser et problem
Imperativ programmering (IMPR)
Problembaseret læring (PV)
Datalogiens matematiske grundlag (DMG)
Datalogi 2
Et større program udviklet af en gruppe
Algoritmer og datastrukturer (AD)
Internet og webprogrammering (IWP)
Sandsynlighedteori og lineæralgebra (SLIAL)
Et større program udviklet af en gruppe
Formål:At den studerende lærer hvordan man kan benytte sig afprogrammering og dertil hørende modeldannelse iproblemløsning. Formålet er endvidere at opnå yderligereerfaring i problemorienteret projektarbejde i en gruppe inaturlig progression fra 1. semester
Eksempel på projekt
Datalogi 3
En velstruktureret applikation
Objektorienteret programmering (OOP)Systemudvikling (SU)Design og evaluering af brugergrænseflader (DEB)
Datalogi 4
Design, definition og implementation afprogrammeringssprog
Sprog og oversættere (SPO)Syntaks og semantik (SS)Computerarkitektur og operativsystemer (CAOS)
En velstruktureret applikation
Kompetencer:• udvikle en kørende applikation som løser brugernes
problem• anvende objektorienteret programmering• beskrive og reflektere over den anvendte arbejdsform i
udviklingsprojektet
Eksempel på projekt
Datalogi 3
En velstruktureret applikation
Objektorienteret programmering (OOP)Systemudvikling (SU)Design og evaluering af brugergrænseflader (DEB)
Datalogi 4
Design, definition og implementation af programmeringssprog
Sprog og oversættere (SPO)Syntaks og semantik (SS)Computerarkitektur og operativsystemer (CAOS)
Design, definition og implementation af programmerings-sprog
Formål: At den studerende lærer, hvordan man kan designe ogimplementere et programmeringssprog og hvordandenne proces kan understøttes af formelle definitioner afsprogets syntaks og semantik og teknikker og metoder tiloversætter- og/eller fortolke- konstruktion
Eksempel på projekt
Datalogi 5
Valgprojekt- Eksperimentel dataanalyse og modellering- Teoridrevet dataanalyse og modellering
Agil Software Engineering (ASE)Maskinintelligens (MI)Databasesystemer (DBS)
Datalogi 6
Bachelorprojekt: Teori, værktøj og applikation
Algoritmer og opfyldelighed (AO)Modelling og verifikation (MV)Beregnelighed og kompleksitet (CC)
Valgprojekt
Formål: Analyse og vurdering af anvendelsen af metoder og teknikker inden for databasesystemer og/eller maskinintelligens til løsning af et konkret problem. • [Eksperimentel] Eksperimentel analyse af teknikkernes
egenskaber samt en eksperimentel evaluering af de opnåede resultater
• [Teoridrevet] Analyser af teknikkernes formelle egenskaber og en vurdering af disse egenskaber i forhold til eventuelle krav til løsningen for det konkrete problem
Eksempel på projekt
Datalogi 5
Valgprojekt- Eksperimentel dataanalyse og modellering- Teoridrevet dataanalyse og modellering
Agil Software Engineering (ASE)Maskinintelligens (MI)Databasesystemer (DBS)
Datalogi 6
Bachelorprojekt: Teori, værktøj og applikation
Algoritmer og opfyldelighed (AO)Modelling og verifikation (MV)Beregnelighed og kompleksitet (CC)
Bachelorprojekt: Teori, værktøj og applikation
Formål: Alle studerende skal ved slutningen afbacheloruddannelsen have fået indblik i et aspekt affagets forskningsområde. Temaet for semesteret er teori, værktøj og applikation hvilket betyder at der bør arbejdesmed både teori, denne teoris implementering i værktøjerog anvendelse af disse i projekterne på dette semester
Eksempel på projekt
Software 5
Multi-projekt- Kompleks front-end software- Kompleks back-end software
Agil Software Engineering (ASE)Maskinintelligens (MI)Databasesystemer (DBS)
Software 6
Bachelorprojekt: Cyber physical systems
Algoritmer og beregnelighed (ALC)Modeller og værktøjer for Cyber Physical Systems (MV-CPS)Sikkerhed (SEC)
Multi-projektFormål: At den studerende opnår viden om og færdigheder i analyse, design, implementering og vurdering af komplekse softwaresystemer der indeholder brugergrænseflade i et større udviklingsmiljø.
Eksempel på projekt:
Software 5
Multi-projekt- Kompleks front-end software- Kompleks back-end software
Agil Software Engineering (ASE)Maskinintelligens (MI)Databasesystemer (DBS)
Software 6
Bachelorprojekt: Cyber physical systems
Algoritmer og beregnelighed (ALC)Modeller og værktøjer for Cyber Physical Systems (MV-CPS)Sikkerhed (SEC)
Bachelorprojekt: Cyber physical systems
Formål: Universitetsuddannelser er forskningsbaserede uddannelser; alle studerende skal ved slutningen af bacheloruddannelsen have fået indblik i et aspekt af fagets forskningsområde. Temaet for semesteret er cyber physicalsystems, altså systemer der indeholder både indlejret software samt en fysisk komponent, der ofte indebærer en interaktion direkte med mennesker. Der er mulighed for at behandle Cyber Physical Systems ud fra forskellige forskningsperspektiver
Eksempel på projekt: (Fra tidligere Sw5)
Datalogi 7
Sikre, skalerbare og brugbare systemer
Programmeringsparadigmer (PP)Udvalgte emner: DB-forskning og praksis (sDRP)
Distribuerede systemer (DS)Udvalgte emner inden for (sHCI)
Datalogi 8
Pålidelige innovative systemer
...
...
...
Sikre, skalerbare og brugbare systemer
Formål: Projektet skal skal indeholde overvejelser om alle treaspekter: Sikkerhed, skalerbarhed og brugbarhed. Men projektet forventes at gå specielt i dybden med et af disseemner
Eksempel på projekt
Datalogi 7
Sikre, skalerbare og brugbare systemer
...
...
...
Datalogi 8
Pålidelige innovative systemer
Software innovation (SI)Systemudvikling i praksis (SUP)Maskinlæring (ML)Udvalgte emner: modellering og verifikation
Pålidelige innovative systemer
Formål: At de studerende arbejder med selv at danneavancerede datalogiske modeller af et problem oganvender disse til at udvikle innovative løsningerbalanceret i forhold til pålideligheden af løsningen
Eksempel på projekt
Software 7
Internet
Programmeringsparadigmer (PP)Web Intelligence (WI)Test og verifikation (TOV)Dataintensive systemer (DIS)Distribuerede systemer (DS)
Software 8
Mobilitet
Udvalgte emner inden for programmering(sP)......
InternetFormål:
Projektmodulets formål er at bidrage til, at de studerende opnår viden om og kan udvikle en internetapplikation eller – service. Internetapplikation eller – service skal forstås bredt og spænder fra de mere gængse internetapplikationer til autonome agenter og det såkaldte ”Internet of Things”, hvor internettet benyttes til at knytte fysiske objekter, såsom husholdningselektronik, sammen, hvor der ikke nødvendigvis er en traditionel browserbaseret brugergrænseflade.
Eksempel på projekt
Software 7
Internet
Programmeringsparadigmer (PP)......
Software 8
Mobilitet
Udvalgte emner inden for programmering(sP)Software innovation (SWI)Mobilt HCI (mHCI)Processering af web information (PWI)Mobile data og lokationsbestemte services (MDLS)
MobilitetFormål:
Projektmodulets formål er at bidrage til at de studerende kan opnå viden om og udvikle mobile applikationer og services. Mobile applikationer og services skal forstås bredt; de er specielt kendetegnet ved anvendelse af udstyr med begrænsede ressourcer i form af skærm, interaktion, processor og hukommelse. Det er samtidig applikationer, som med et begrænset strømforbrug kan udnytte trådløs kommunikation med andet udstyr og servere, og at brugerne og udstyret er mobile, dvs. kan flytte sig.
Eksempel på projekt
Datalogi 9
Forspecialisering i datalogi
Entreprenørskab (ENT)IT-RET (IR)Spec. kursus: HCI, DB, DS, SV, MI, PT, SU
Datalogi 10
Kandidatspeciale
Forspecialisering i datalogi
Projektmodulet skal gennemføres inden for ét affagområderne: databaseteknologi, distribueredesystemer, human-computer interaction, semantik & verifikation, maskinintelligens, programmeringsteknologi, eller systemudvikling.
Eksempel på projekt
Vælg mellem Ent eller IR samt et specialiseringskursus
Datalogi 9
Forspecialisering i datalogi
Entreprenørskab (ENT)IT-RET (IR)Spec. kursus: HCI, DB, DS, SV, MI, PP, SU
Datalogi 10
Kandidatspeciale
Kandidatspeciale
Formål:
At den studerende selvstændigt, systematisk og kritiskgennem anvendelse af videnskabelig teori og metodekan formulere, analysere og bidrage til løsning af et aktuelt forskningsproblem inden for datalogi
Eksempel på projekt
Software 10
Kandidat speciale
Forspecialisering
Projektmodulet skal gennemføres inden for ét af fagområderne: databaseteknologi, distribuerede systemer, human-computer interaction, semantik & verifikation, maskinintelligens, programmeringsteknologi, eller systemudvikling. Projektmodulet skal gennemføres i tilknytning til det tilhørende specialiseringskursus
Eksempel på projekt
Software 9
Forspecialisering i datalogi
Entreprenørskab (ENT)IT-RET (IR)Spec. kursus: HCI, DB, DS, SV, MI, PT, SU
Vælg mellem Ent eller IR samt ét specialiseringskursus
BæredygtighedsmålSustainable Development Goals (SDG)
• Vi arbejder med at de studerende kan relatere deres projekter til bæredygtighedsmålene
• Bæredygtigheds målene kommer i første omgang i spil på 3. semester.
Software 10
Kandidat speciale
Kandidat speciale
At den studerende selvstændigt, systematisk og kritisk gennem anvendelse af videnskabelig teori og metode kan formulere, analysere og bidrage til løsning af et aktuelt forskningsproblem inden for datalogi
Eksempel på projekt
Software 9
Forspecialisering i datalogi
Entreprenørskab (ENT)IT-RET (IR)Spec. kursus: HCI, DB, DS, SV, MI, PT, SU
Vælg mellem Ent eller IR samt ét specialiseringskursus
MEGA projekter
• Vi arbejder med at integrere MEGA projekter på alle studier
• Identificere de rigtige semestre og problemstillinger.
• Kontakter til virksomheder og Aalborg kommune
Bachelor in Information Technology (BaIT)Advisory board meeting - August 7th 2020
John Stouby Persson – [email protected]
BaIT: Interdisciplinary collaboration
Technology
Communication Business
BaIT
Department of Computer Science @ Technical Faculty of IT and Design
Department of Communication & Psychology@ Faculty of Hummanities
Department of Materials & Production@ Faculty of Engineering and Science
Department of Politics & Society@ Faculty of Social Sciences
BaIT: Structure
Technology (T)
Communication (C) Business (B)
BaIT
T: Evaluating IT systems Semester:
1. -
2. -
3. -
4. -
5. -
6. -
7. – 10.
T: Developing IT systems
T: Developing large IT systems
T: Mobile
C
B
C: Video B: Operations
Technology
Decision
Com-munication BusinessOR OR
Computer Science (IT)
Interactive Digital Media
Operations & Innovation Management
BaIT: Content (1.-3.)T: Evaluating IT systems
Semester:1. -
2. -
3. -
4. -
5. -
6. -
T: Developing IT systems
T: Developing large IT systems
T: Mobile
C
B
C: Video B: Operations
Technology
Decision
Com-munication BusinessOR OR
Course 1 Course 2 Course 3
1 Problem-baseretlæring ividenskab, teknologi, ogsamfund
Grundlæggendeprogrammering
IT – systemer: Kulturelkontekst, kommunikation, brugbarhed ogbrugbarheds-evaluering
2 Datalogiensmatematiskegrundlag
Design ogevaluering afbruger-grænseflader
Innovation ogforandring
3 Database-udvikling
Objektorienteretprogrammering
Systemanalyseog -Design
BaIT: Content (5.-6.)T: Evaluating IT systems
Semester:1. -
2. -
3. -
4. -
5. -
6. -
T: Developing IT systems
T: Developing large IT systems
T: Mobile
C
B
C: Video B: Operations
Technology
Decision
Com-munication BusinessOR OR
Project Course 1 Course 2 Course 3
5 Agil system-udviklingpå tværs af projekter
Agil Software Engineering
Computer-arkitekturogoperativ-systemer
Algoritmikog data-strukturer
6 Bachelor-projekt (Udvikling af en IoTløsning)
Program-mering afIoTapplikationer
Syntaks ogsemantik
Inter-netværk ogweb-program-mering
BaIT: Challenges (opportunities for problem based learning)
Transition to the new business track partner until Spring 2023(Department of Materials & Production Department of Politics & Society)
Implement a novel structure on the 4. semester (3 x 10 ECTS) for combining the technology, communication, and business disciplines starting Spring 2021
Align the 5. and 6. semester tracks with other bachelor educations starting Fall 2021:Technology with ‘Ba i Software’, Communication with ‘Ba i Kommunikation og Digitale medier’ Business with ‘Ba i Global business engineering’ ‘ Ba i Innovation og digitalisering’
Interaktionsdesignbachelor og kandidat
Mikael B. Skov
Kursus 1 Kursus 2 Kursus 3 Projekt
1 Interaction Design 1Usability & skitsering
Videnskabsteori og projektarbejde (PBL)
Grundlæggende programmering
Interaktionsdesign
Designforståelse
2Interaction Design 2
Visuelt design & prototyping
Modellering og rendering i 3D
Datalogiens matematiske grundlag Design alternativer
3 Interaction Design 3Brugercentreret design
Integreret produktudvikling:
Redesign
Imperativ programmering Design med brugere
4 Interaction Design 4 Kvantitativ metode
Realtidsinterfaces og interaktioner
Objekt-orienteret programmering Design og konstruktion
Valgfrie kurser
5 Interaction Design 5Kvalitativ metode
Mekatroniske produkter og systemer
Systemudvikling Computergrafik programmering Interaktivt fysisk design
6 Interaction Design 6User Experience
Integreretproduktudvikling: Designprocesser
Software engineering Databaseudvikling Integreret interaktionsdesign
KonstruktionDesignHuman-Computer Interaction
Kursus 1 Kursus 2 Kursus 3 Projekt
1 Interaction Design 1Usability & skitsering
Videnskabsteori og projektarbejde (PBL)
Grundlæggende programmering
Interaktionsdesign
Designforståelse
2Interaction Design 2
Visuelt design & prototyping
Modellering og rendering i 3D
Datalogiens matematiske grundlag Design alternativer
3 Interaction Design 3Brugercentreret design
Integreret produktudvikling:
Redesign
Imperativ programmering Design med brugere
4 Interaction Design 4 Kvantitativ metode
Realtidsinterfaces og interaktioner
Objekt-orienteret programmering Design og konstruktion
Valgfrie kurser
5 Interaction Design 5Kvalitativ metode
Mekatroniske produkter og systemer
Systemudvikling Computergrafik programmering Interaktivt fysisk design
6 Interaction Design 6User Experience
Integreretproduktudvikling: Designprocesser
Software engineering Databaseudvikling Integreret interaktionsdesign
KonstruktionDesignHuman-Computer Interaction
Kursus 1 Kursus 2 Kursus 3 Projekt
1 Interaction Design 1Usability & skitsering
Videnskabsteori og projektarbejde (PBL)
Grundlæggende programmering
Interaktionsdesign
Designforståelse
2Interaction Design 2
Visuelt design & prototyping
Modellering og rendering i 3D
Datalogiens matematiske grundlag Design alternativer
3 Interaction Design 3Brugercentreret design
Integreret produktudvikling:
Redesign
Imperativ programmering Design med brugere
4 Interaction Design 4 Kvantitativ metode
Realtidsinterfaces og interaktioner
Objekt-orienteret programmering Design og konstruktion
Valgfrie kurser
5 Interaction Design 5Kvalitativ metode
Mekatroniske produkter og systemer
Systemudvikling Computergrafik programmering Interaktivt fysisk design
6 Interaction Design 6User Experience
Integreretproduktudvikling: Designprocesser
Software engineering Databaseudvikling Integreret interaktionsdesign
KonstruktionDesignHuman-Computer Interaction
iDA:IT-Design and Application Development
Peter Axel Nielsen, Human-Centred Computing GroupDepartment of Computer Science, AAU
iDA: What is it?
A MSc education for people with no IT background,
Part of IT-Vest, 30+ students per year. It was designed to help students learn: how to program, how to design, how to evaluate, within the context of complex IT systems
Student profile
Main challenges
Students needed more hands-on experience on solving problems using computers
They needed more hands-on experience in programming
They needed more knowledge on understanding complex IT systems
Challenges were identified through semester evaluations, interviews, data from IT-Vest, data about students’ employability
Responding to the challenges: re-design principles
Introduce Computational Thinking Students will learn to solve problems using computers without the need for a
mathematical/computer science background. More Programming
Students will learn to program in a variety of programming languages depending on the problem at hand.
More Systems Thinking Students will learn more in understanding complex IT systems (design, evaluation,
impact, value creation). Utilize existing knowledge
Students will combine methods, tools and techniques from their existing Bachelor with new ones to solve complex IT problems.
More contact with the real world Students will participate in the Mega Projects initiative and will have closer
collaboration with companies in their semester projects.
The new iDA curriculum (1)
P0+Computational Thinking
7th Semester: Computing
P7: Development of Software
Information and Organization
Introduction to Programming
8th Semester: System
P8*: Application Development
Systems Development (OOAD)
Design and Evaluation of UIs (DEB)
Basic Object-Oriented Progr. (GOOP)
* In P8 students will participate in Mega Projects
The new iDA curriculum (2)
9th Semester: Intervention
P9*: Develop. of Software Applic.
Database Development (DBU)
Entrepreneurship (ENT)
Agile Software Engineering (ASE)
10th Semester: Thesis
Thesis + Specialization
* In P9 students are expected to work closely with a company on a real-world problem
Plans for the future
Continuous evaluation of the new curriculum Continuous collaboration with IT-Vest Continuous adjustments to the allocated physical
space
”ARRANGEMENTETS NAVN” PÅ AAU
Datavidenskab
AftagerpanelMøde
7.8.2020
Bent ThomsenUddannelseskoordinator
HVORFOR DATAVIDENSKAB? HVOR FINDES DET?
” Data er ikke længere blot et analytisk instrument, men i
stigende grad selve grundstoffet i virksomhedens værdiskabelse på
linje med teknologi, talenter og patenter”
Kilde: Data - virksomhedens nye grundstof af Mikkel Holm Sørensen og Simon Bentholm
Conclusions from 2015 Research Evaluation:
• Furthermore, society needs people that know how to handle data, so it is important to educate students in Data Science.
• The recommendation is to start a Data Science programme as soon as possible.
• We set up the DV-udv.: (Panagiotis Karras,) Manfred Jaeger, Christian Thomsen, Bent Thomsen (+ Lone Leth Thomsen, sn-formand), Mikkel Meyer Andersen, Torben Tvedebrink (+ Kristian G. Olesen)
2017 anbefalinger fra aftagerpanel: ● ”Der er behov for en teknisk tung Datavidenskabsuddannelse”
● "Virksomhederne lægger generelt meget vægt på en god grundfaglighed. Med grundfaglighed forstås kompetencer inden for matematik, datalogi og i nogle tilfælde fysik. Kompetencerne opleves som grundlæggende for medarbejdere inden for datavidenskab.”
● "at statistik er den mest anvendte kompetence i dag for medarbejdere, der arbejder med analyse og håndtering af store/komplekse datamængder, efterfulgt af behandling og analyse af komplekse datakilder, der også vurderes at være øget behov for om tre år."
● "Evnen til [at] udvikle nye løsninger samt programmering, at bruge moderne software og viden om sikkerhed og etik er kompetencer, der efterspørges af over halvdelen af virksomhederne både i dag og i 2020."
● "Fælles for alle de interviewede virksomheder er endvidere, at formidling er centralt. Arbejdet med store og komplekse data sker på områder, hvor mange medarbejdere ikke har kompetencer inden for datavidenskab, hvilket gør formidlingen særlig vigtig.”
74
Programmering til Dataanalyse
Fra data til videnskab
Interaktion med og visualisering af
struktureret data
Web Analytics
Statistisk dataanalyseEller
Dataanalyse via maskinlæring
Bachelorprojekt: Dataanalyse inden for et
anvendelsesområde
Indledende Programmering for
Datavidenskab
Problembaseret Læring i Videnskab, Teknologi og
Samfund (PBL)Calculus
Kursus Projekt)
1.
Sem
este
r2.
Se
mes
ter
3.
Sem
este
r4.
Se
mes
ter
5.
Sem
este
r6.
Se
mes
ter
DATAVIDENSKAB – KURSER OG PROJEKTER (1. hold startede 1.9.19)
Sandsynlighedsregning
Datavisualisering
Anvendt Statistik
Maskinintelligens
Objektorienteret Programmering
Big Data-systemer
Data Mining
Algoritmer og Datastrukturer
Datasikkerhed og privatlivsbeskyttelse
IT-ret
Lineær Algebra
Databasesystemer
Webdatavidenskab
Statistisk Inferens for Lineære Modeller
Domæneintroduktion
PROJEKTER PÅ DATAVIDENSKAB
1. semester• Programmering til dataanalyse
■ Mere end bare regneark (P0)■ Lav jeres eget program til dataanalyse
2. semester• Indsamling og analyse af data
■ Fx spørgeskemaer eller genererede data■ Algoritmer til simulering af datagenerering
eller statistik analyse af indsamlet data3. semester
• Visualisering af data■ Databasesystemer og datavisualisering■ Struktureret data i traditionelle
databasesystemer skal visualiseres
● E19:
○ Boligprisdatabasen
○ database med vinanmeldelser.
○ Værdiansættelse af fodboldspillere vha. Big Data
○ Ejendomsvurdering ved brug af data for salgspriser● F20
○ Efterprøvning af statistiske metoder ved hjælp af simulation
○ Fra Data til Videnskab: Statistisk inferens ved hjælp af simuleringer
● E20
○ Visualisering af data fra pumper. Vandstand i pumpens brønd samt pumpens energiforbrug ses for hvert 5. sek. Desuden vejrdata.
MSc, starts September 2022DS7 (pick 3 courses) DS8 (pick 3 courses) DS9 (pick 2 courses) DS10
Adv. Web Data Science Advanced (Statistical) ML Infrastructure for Big Data Systems
MSc Thesis
Network & Production Data Adv. Types of Data Adv. Dist. Systems
Process Mining Scientific Computing & Sensor Modeling(Electr)
Topics in Stat. II (Mat)
Topics in Statistics I (Mat) Image Processing and Comp. Vision (Electr)
Entrepreneurship
Adv. Algorithms
Discovering Knowledgefrom Data
Data-Intensive Cyber-Physical Systems
Pre-specialization -
76
Project
ADGANGSKRAV
GYMNASIAL UDDANNELSE
• DANSK A• ENGELSK B• MATEMATIK A, minimum karakter 4
ANTAL PLADSER
• 50
Antal studerende:E19: 12E20: 15
Instituttets uddannelsesportefølje anno 2030
78
Intro til portefølje tænkningv/Marie Louise Blauenfeldt, Mobilize Strategy Consulting
Porteføljetænkning kan øge transparens og tydelighed ifm.:
• Vurdering af samlinger af ideer, aktiviteter og projekter.
• Prioritering af hvilken værdi man ønsker at skabe og hvilke vurderingskriterier, der er de mest relevante i den kontekst.
• Håndtering af vanskelige beslutninger og dilemmaer (modsatrettede legtime hensyn)
Eksempel: risiko og poteniale
Potentiale
Risko
P5
P3
P4
P1
P2
Ressourcetræk
Eksempel: Fremgang og potentiale
Potentiale
Fremgang
P5
P3
P4
P1
P2
Tilbageværenderessourcetræk
Fase 1 Fase 2 Fase 3 Fase 4
Hvilke kriterier?• Fremtidens arbejdsmarked (efterspurgte kompetencer)• Udvikling af erhvervspartnerskaber/samarbejder om uddannelse• Samspil mellem forskning og uddannelse• Synergi og kombinationer mellem fag • Integration af soft skills (fx ift. tværfaglig samarbejde, projektledelse, SDG, samspilskult• Internationalisering• Diversitet • Kvantitet - fokus på volumen, gennemførelse, frafald eller andre kvantitetsparametre
• Kvalitet – fokus på fx. talentudvikling, akademisk niveau eller andre kvalitetsparametre
• ..• ..
hvilke kriterier?
Instituttets fremtidige uddannelsesportefølje anno 2030– jeres bud på balance og distribution af uddannelser og fagkombinatio
84
Lav potentiel værdi ift. ______________
Høj potentiel værdi ift.______________
Lav sandsynlighed for succes
Høj sandsynlighed for succes
‘Hvide elefanter’ ‘Østers’
‘Rugbrød’ ‘Perler’
Uddannelser på Institut for Datalogi
85
Datalogi
DAT1-6
Datalogi
DAT7-10
Bachelor
Kandidat
Software
SW1-6
Software
SW1-6
København
Data-videnskab
DV1-6
Software
SW7-10
Software
SW7-10København
Data-videnskab
DV7-10
2020
2023 2022cand.scient. cand.polyt. cand.polyt. cand.scient.
Interaktionsdesign
IxD1-6
Interaktionsdesign
IxD7-10
cand.scient.
Computer Science (IT)
CS-IT7-10
Informationsteknologi
BAIT1-6
Ande
nte
knis
kba
chel
or
IT-design og applikations
udvikling
iDA7-10
Ikke
IT-b
ache
lor
cand.scient. cand.it.2020
cand.polyt.
Cyber Security
CySe7-10København
86
Gruppe 1Lars YdeGitte Klitgaard Kim HoulbergPeter Axel NielsenMikael B. Skov
Elisabeth N. LaursenDiana P. Frank
Gruppe 2Natasha F. Saxberg (online)
Søren Rex Jensen (online)
Jesper Kjeldskov
Ulrik Nyman
Bent Thomsen
Melanie Selman
Gruppe 3Henrik WeideJanne J. JensenUffe KjærulffJohn S. PerssonLone L. ThomsenAnders H. Hansen
Navneændring: Datavidenskab og kunstig intelligens
87
Ansøgning om ændring af uddannelsens titelfra Datavidenskab til Datavidenskab og Kunstig Intelligens
• opnå højere grad af overensstemmelse mellem uddannelsens faglige indhold og dens navn og titel
• DV-fag: 70 ECTS-point (39%)• DV-støttefag: 45 ECTS-point (25%)• Kunstig intelligens: 45 ECTS-point (25%)• Øvrige støttefag: 20 ECTS-point (11%)
• opnå højere grad af overensstemmelse med navn og titel for tilsvarende uddannelser
• bacheloruddannelsen i datavidenskab på Aarhus Universitet• bacheloruddannelsen i data science på IT-universitetet• bacheloruddannelsen i kunstig Intelligens og data på Danmarks Tekniske
Universitet• bacheloruddannelsen i machine learning og datavidenskab på Københavns
Universitet• kunne kommunikere mere præcist om uddannelsen overfor potentielle studerende,
herunder at præsentere uddannelsens fokus på problemløsning ved hjælp af kunstig intelligens.
• det er væsentligt, at uddannelsens navn stemmer godt overens med uddannelsens faglige indhold
• uddannelsesnavnet spiller erfaringsmæssigt en vigtig rolle i de unges forståelse af en uddannelses sigte
• uddannelsesnavnet bør matche navnene på tilsvarende uddannelser
Afslutning og tak til deltagerne
89