Alexander Lehmann
Software Architect, Inventor of QuineAI
Softwarearchitekt, Erfinder von QuineAI
Dresden, Germany
Actions
Alexander studied Information Systems Technology in Dresden and has spent over a decade working in the local software industry. Today, he focuses on integrating AI into enterprise software development processes to make security and compliance easier and more efficient.
Alexander studierte Informationssystemtechnik in Dresden und arbeitet seit über zehn Jahren in der lokalen Softwarebranche. Aktuell beschäftigt er sich als Software Architect mit der Integration von KI in Enterprise-Softwareentwicklungsprozesse, um Security und Compliance einfacher und effizienter zu gestalten.
Area of Expertise
Topics
AI-Generated Code Is Easy. AI-Generated Trust Is Hard. en de
Large language models can generate code within seconds. However, production software is not evaluated by speed, but by reliability, traceability, and compliance. In regulated domains, we already know how trustworthy systems are built through requirements traceability, reviews, validation, and audit trails. These patterns are well established. But how do we apply them when code is generated by machines?
How do we ensure reproducibility with probabilistic outputs?
How do we link requirements to generated artifacts?
How do we integrate quality gates into AI-driven development processes?
Based on practical experience, this talk demonstrates how proven software engineering disciplines can be transferred to AI coding agents in order to meet process and quality standards even in regulated environments.
KI-generierter Code ist einfach. KI-generiertes Vertrauen ist schwer. en de
LLMs erzeugen in Sekunden Code. Produktionssoftware wird jedoch nicht nach Geschwindigkeit bewertet, sondern nach Zuverlässigkeit, Nachvollziehbarkeit und Compliance.
In regulierten Domänen wissen wir, wie vertrauenswürdige Systeme entstehen: durch Anforderungsrückverfolgbarkeit, Reviews, Validierung und Audit-Trails. Die Muster sind etabliert. Doch wie wenden wir sie an, wenn Code von Maschinen generiert wird?
Wie sichern wir Reproduzierbarkeit bei probabilistischen Ausgaben?
Wie verknüpfen wir Anforderungen mit generierten Artefakten?
Wie integrieren wir Quality Gates in KI-getriebene Prozesse?
Der Vortrag zeigt anhand praktischer Erfahrungen, wie sich bewährte Software-Engineering-Disziplinen auf KI-Coding-Agenten übertragen lassen, um Prozess- und Qualitätsstandards selbst in regulierten Umgebungen zu erfüllen.
Hybrid Systems: Combining Domain Models and LLMs Effectively en de
AI agents strive for autonomy. Enterprise systems require control.
Purely LLM-driven architectures reach limits in quality, cost, and maintainability. An alternative approach is hybrid systems: deterministic domain models and business rules combined with probabilistic LLM components.
The talk shows how strong domain modeling serves as a guardrail: inputs and outputs are structured, validated, and deliberately controlled instead of letting agents figure everything out on their own.
The added value and limitations of LLMs are discussed, along with sensible responsibility allocation and integration patterns between agents and classical models.
The goal of the talk is to present practical architectural approaches that make it possible to integrate AI into existing system landscapes in a controlled, maintainable, and economical way.
Hybride Systeme: Domänenmodelle und LLMs sinnvoll kombinieren en de
KI-Agenten streben nach Autonomie. Enterprise-Systeme verlangen Kontrolle.
Rein LLM-getriebene Architekturen stoßen bei Qualität, Kosten und Wartbarkeit an Grenzen. Ein alternativer Ansatz sind hybride Systeme: deterministische Domänenmodelle und Geschäftsregeln kombiniert mit probabilistischen LLM-Komponenten.
Der Vortrag zeigt, wie starkes Domain Modeling als Leitplanke dient: Eingaben und Ausgaben werden strukturiert, validiert und gezielt gesteuert, statt Agenten alles „selbst herausfinden“ zu lassen.
Diskutiert werden Mehrwert und Grenzen von LLMs, sinnvolle Verantwortungsverteilung sowie Integrationsmuster zwischen Agenten und klassischen Modellen.
Ziel des Vortrags ist es, praktikable Architekturansätze zu zeigen, mit denen sich KI kontrolliert, wartbar und wirtschaftlich in bestehende Systemlandschaften integrieren lässt.
From Silicon to Agents: A Technological Deep Dive into the AI Stack en de
Modern AI feels like magic. However, its structure follows a clear technological evolution from the transistor to the agent. The talk walks step by step through this AI stack.
We examine why GPUs with high parallelism and memory bandwidth became the foundation of large models, and why these models are so powerful but also resource intensive. Building on this, we explain transformer models: tokens, context windows, and generation as consequences of the architecture.
Finally, we connect this to retrieval-augmented generation (RAG), tool calling, and agentic loops as logical extensions of LLMs with their clearly defined strengths and limitations.
The goal is to provide a solid overall understanding that turns AI from a black box into an understandable technology without going too deeply into detail, enabling better technical as well as organizational decisions.
Vom Silizium zum Agenten: Eine technologische Reise durch den KI-Stack en de
Moderne KI wirkt wie Magie. Ihr Aufbau folgt jedoch einer klaren technologischen Entwicklung vom Transistor bis zum Agenten. Der Vortrag führt Schicht für Schicht durch diesen KI-Stack.
Wir betrachten, warum GPUs mit hoher Parallelität und Speicherbandbreite zur Basis großer Modelle wurden und weshalb diese so leistungsfähig, aber auch ressourcenintensiv sind. Darauf aufbauend erklären wir Transformer-Modelle: Tokens, Kontextfenster und Generierung als Konsequenz der Architektur.
Abschließend schlagen wir den Bogen zu RAG, Tool-Calling und agentischen Schleifen als logische Erweiterungen von LLMs mit ihren klaren Stärken und Grenzen.
Ziel ist ein fundiertes Gesamtverständnis, das KI von der Black Box zur nachvollziehbaren Technologie macht ohne zu sehr ins Detail zu gehen, um damit bessere technische wie organisatorische Entscheidungen zu ermöglichen.
We Don’t Need Developers Anymore, We Need Solution Architects en de
Generative AI, copilots and increasingly capable development platforms are automating larger parts of traditional coding work. The bottleneck in software development is shifting from implementation toward problem analysis, system structuring and architectural decision making.
At the same time, part of the experiential foundation that has traditionally produced software architects is disappearing. Many typical entry level tasks are increasingly handled by AI. Without these learning steps, the pipeline that develops experienced architects is under pressure.
Software architecture remains rarely taught as a primary discipline. Most degree programs still start deep in general computer science and vocational training offers few structured pathways toward architecture.
This talk examines why the traditional model struggles in an AI-accelerated environment and how earlier exposure to architectural thinking, new study programs and clearer professional pathways could build architectural capability more deliberately and efficiently.
Wir brauchen keine Entwickler mehr, wir brauchen Solution Architects en de
Generative KI, Copilots und zunehmend leistungsfähige Entwicklungsplattformen automatisieren immer größere Teile der klassischen Implementierungsarbeit. Der Engpass in der Softwareentwicklung verschiebt sich damit vom Schreiben von Code hin zur Problemanalyse, Systemstrukturierung und zu Architekturentscheidungen.
Gleichzeitig verschwindet ein Teil der Erfahrungsbasis, auf der Softwarearchitektur bisher gelernt wurde. Viele typische Einstiegstätigkeiten von Entwicklerinnen und Entwicklern werden zunehmend von KI übernommen. Wenn diese Lernschritte wegfallen, gerät die bisherige Pipeline zur Entwicklung erfahrener Architektinnen und Architekten unter Druck.
Softwarearchitektur ist bis heute kein eigenständiger Ausbildungspfad. Studiengänge beginnen meist tief in der allgemeinen Informatik und auch in der beruflichen Ausbildung existieren kaum strukturierte Entwicklungspfade in Richtung Architektur.
Der Vortrag untersucht, warum dieses Modell unter KI-Unterstützung an Grenzen stößt und wie frühere Vermittlung von Architekturdenken, neue Studiengänge und klarere Entwicklungspfade helfen könnten, Architekturkompetenz gezielter aufzubauen.
Please note that Sessionize is not responsible for the accuracy or validity of the data provided by speakers. If you suspect this profile to be fake or spam, please let us know.
Jump to top