Künstliche Intelligenz und Unternehmensarchitektur

Unternehmensarchitekt:innen stehen heute vor einem echten Problem: disruptive Märkte, der Druck nach ständiger Veränderung und Innovation, eine Vielfalt an Applikationen und die Notwendigkeit, den Wandel noch schneller voranzutreiben, um der Konkurrenz einen Schritt voraus zu sein.

Diese Herausforderungen verlangen ein rasches und stetiges Wachstum der Unternehmensarchitektur und neue Methoden, um sie in die richtige Richtung zu lenken. KI und maschinelles Lernen können hierfür die richtigen Werkzeuge sein. Sie wurden bereits erfolgreich in anderen Branchen eingesetzt, und jetzt ist es an der Zeit, sie auch im Bereich EAM zu nutzen, um das wahre Potenzial Ihrer Unternehmensarchitekturdaten zu erschließen.

Wenn Sie erfahren möchten, wie maschinelles Lernen Ihre EAM-Daten in wertvolle Erkenntnisse für Portfolio-Investitionsentscheidungen umwandeln kann, sollten Sie unbedingt weiter lesen!

Wie der Name schon sagt, ist Künstliche Intelligenz die Fähigkeit einer Maschine, menschliches Verhalten zu simulieren. Was die verschiedenen Umsetzungsmethoden betrifft, so gehört das maschinelle Lernen zu den leistungsfähigsten und am weitesten verbreiteten. Indem sie die Art und Weise, wie Menschen lernen, imitieren, verwenden maschinelle Lernmechanismen eine Sammlung von Daten und lassen sie durch einen bestimmten Algorithmus laufen. So können Sie Informationen liefern, die andernfalls eine lange Zeit manueller Arbeit erfordern würden. Wieso ist das heutzutage so wertvoll? Nun, es geht vor allem darum, Zeit zu sparen, Fehler zu vermeiden und die ständig neu entstehenden Daten optimal zu nutzen – und das alles geschieht im Hintergrund, während Sie sich auf andere wichtige Aufgaben konzentrieren können.

Die große Anzahl an Softwareanwendungen, die sich im Laufe der Zeit angesammelt hat, kann für Unternehmensarchitekt:innen ziemlich überwältigend werden. Solche Applikationen können anhand von Checklisten oder Fragebögen bewertet werden, wenn es darum geht, intelligente Investitionsentscheidungen zu treffen. Wenngleich das ein guter Schritt zur Bewertung Ihres Portfolios ist, kann die Analyse jeder einzelnen Anwendung zur Festlegung einer Investitionsstrategie sehr zeitaufwendig sein. Und genau hier kommt das maschinelle Lernen ins Spiel. In den folgenden Abschnitten stellen wir Ihnen zwei Möglichkeiten vor, wie Sie Ihr Applikationsportfolio mithilfe von KI einfach bewerten können.

Unabhängig davon, welche Methode Sie für die Bewertung Ihres Applikationsportfolios wählen, wird sie wahrscheinlich auf einer Art Punktebewertung basieren. Wenn Sie z. B. eine Umfrage ausfüllen, erhält jede Antwort in der Regel einen bestimmten Wert (z. B. von 1 bis 5). Anhand Ihrer endgültigen Punktzahl können Sie eine Investitionsstrategie wählen, die am besten zu der jeweiligen Applikation passt. Die manuelle Berechnung dieser Punktzahl wird jedoch ziemlich wahrscheinlich sehr viel Zeit in Anspruch nehmen, vor allem, wenn Sie ein umfangreiches Applikationsportfolio haben. Glücklicherweise können Computer diese Arbeit heute für uns übernehmen – und das auch noch in einem Bruchteil der Zeit. Das Einzige, was Sie tun müssen, ist, für jede Investitionsstrategie einen Grenzwert festzulegen, zum Beispiel nach dem TIME-Modell von Gartner.

Manchmal erfordert eine angemessene Bewertung einer Anwendung jedoch mehr als eine simple Punktevergabe. Zum Beispiel wenn einige Kriterien wichtiger sind als andere. Dann kann es sein, dass Sie sich für eine bestimmte Applikation entscheiden, obwohl die Endnote eigentlich etwas anderes suggeriert. Nach einigen derartigen Entscheidungen lernt der Computer das Muster Ihrer Investitionsentscheidungen kennen und beginnt, von sich aus entsprechende Vorschläge zu machen. Je mehr Applikationen Sie bewerten und priorisieren, desto genauer werden die KI-Empfehlungen.

Die endgültige Entscheidung liegt aber immer noch bei Ihnen: Vertrauen Sie den Vorschlägen des Computers, oder möchten Sie die Investitionsentscheidung noch revidieren und anpassen? In jedem Fall wird sich der Computer die Empfehlung merken und seinen Algorithmus entsprechend anpassen. Ein wichtiger Faktor ist dabei die Frage, wie hoch die Wahrscheinlichkeit ist, dass der Computer richtig liegt. Der „Machine Learning“-Algorithmus berechnet die Wahrscheinlichkeit, dass sein Vorschlag für die Investitionsstrategie richtig ist. Liegt die Wahrscheinlichkeit beispielsweise unter 35 % (was bedeutet, dass dem maschinellen Lernen nicht genügend Daten zur Verfügung stehen, um einen qualitativen Vorschlag zu machen), wird keine Investitionsstrategie vorgeschlagen oder nur eine Strategie mit geringer Relevanz.

1. Je mehr Antworten (Daten) den Algorithmus durchlaufen, desto genauer werden die KI-Vorhersagen.
2. Mit einer steigenden Anzahl von Antworten betrachtet das maschinelle Lernmodell jede Frage als eine separate Dimension. Das bedeutet, dass es lernt, welche einzelnen Antworten für die Bewertung besonders bedeutsam sind, wie beispielsweise die Benutzerfreundlichkeit einer Anwendung. Diese Einsichten werden dann bei der Erstellung von Vorhersagen berücksichtigt.
3. Der Hauptunterschied zwischen Investitionsstrategien, die auf manueller Berechnung basieren, und dem maschinellen Lernmodell liegt darin, dass die manuelle Berechnung eine einfache Gesamtpunktzahl berücksichtigt, während das maschinelle Lernmodell die Wichtigkeit verschiedener Fragen berücksichtigt und diesen entsprechend unterschiedliche Gewichtungen zuweist. Im wirklichen Leben sind oft die einzelnen Fälle wichtiger als die Gesamtpunktzahl. Daher ist es naheliegend zu erwarten, dass das maschinelle Lernmodell mit größerer Wahrscheinlichkeit genauere Ergebnisse liefert.

Angenommen, wir haben eine Umfrage, die uns hilft, unser Applikationsportfolio auf der Grundlage seiner Business- und IT-Fitness zu bewerten und eine geeignete Investitionsstrategie zu definieren. Betrachten Sie die folgende Auswahl von Antworten (von 1-5):

Das maschinelle Lernmodell wird versuchen, für jede dieser Fragen einen Gewichtungswert zu ermitteln, indem es die Antworten und die daraus resultierende Investitionsstrategie lernt und diese in ein Muster umwandelt. Also, sagen wir:

• Frage 1: Verschafft Ihnen die Anwendung einen Wettbewerbsvorteil?
• Frage 2: Wie würden Sie die Benutzerfreundlichkeit der Anwendung bewerten?

Frage 1 könnte für Ihre Entscheidung relevanter sein als Frage 2. Daher hat sie ein größeres Gewicht (W). Die endgültige Entscheidung trifft der Computer also durch die Lösung einer Gleichung, die etwa so aussehen könnte:

Q1xW1 + Q2xW2 + Q3xW3 = Tolerieren

Q1xW1 + Q2xW2 + Q3xW3 = Investieren

Q1xW1 + Q2xW2 + Q3xW3 = Migrieren

Q1xW1 + Q2xW2 + Q3xW3 = Eliminieren

Natürlich wird der Gewichtungswert mit steigender Datenmenge immer genauer werden und damit auch das Ergebnis Ihres Investitionsvorschlags. Letztlich können Sie auf dieser Basis mit mehr Leichtigkeit und weniger Aufwand zukunftssichere Applikationsportfolios aufbauen.

So wie sich die Technologie im Laufe der Zeit weiterentwickelt, so sollte sich auch Ihre Unternehmensarchitektur ständig verbessern. Profitieren Sie von den aufkommenden Trends wie dem maschinellen Lernen, um Ihren EAM-Daten mehr Wert zu verleihen und sich bei wichtigen Entscheidungen über das Applikationsportfolio unterstützen zu lassen. Diese neue Art der Bewertung Ihrer Portfolios spart nicht nur Zeit, Ressourcen und reduziert Fehler, sondern ist zudem auch präziser als herkömmliche Bewertungsansätze. Welcher Vorteil auch immer für Sie von Interesse ist, die Nutzung von KI und maschinellem Lernen für Ihre Unternehmensarchitektur ist auf jeden Fall einen Versuch wert.