Inteligencia artificial y EA: nuevas formas de definir la estrategia de inversión de su cartera de aplicaciones

La lucha para los arquitectos empresariales hoy en día es real: mercados disruptivos, presión por el cambio constante y la innovación, una gran cantidad de aplicaciones y la necesidad de acelerar la transformación a un ritmo más rápido que nunca para mantenerse por delante de la competencia.

Estos desafíos exigen un crecimiento rápido y constante de EA y requieren nuevas formas de gestión para dirigir la arquitectura en una buena dirección. La IA y el aprendizaje automático podrían ser las herramientas adecuadas para este trabajo. Ya se han aprovechado con éxito en otras industrias, y ahora es el memento de que también ingresen al juego de EA, ayudándolo a desbloquear el verdadero poder de sus datos de arquitectura empresarial.

Si tiene curiosidad sobre cómo el aprendizaje automático podría convertir sus datos de EA en información valiosa para las decisiones de inversión de cartera, ¡siga leyendo!

Como su nombre indica, la inteligencia artificial es la capacidad de una máquina para simular el comportamiento humano. En particular, cuando se trata de diferentes métodos de implementación, el Machine Learning es uno de los más potentes y generalizados. Imitando la forma en que aprenden los humanos, los mecanismos de Machine Learning utilizan una recopilación de datos y los ejecutan a través de un cierto algoritmo para proporcionar información que de otro modo tomaría mucho tiempo de trabajo manual. ¿Por qué esto es muy aceptado hoy día? Bueno, se trata principalmente de ahorrar tiempo, evitar errores y hacer el mejor uso de los nuevos datos, y todo esto sucede en segundo plano, mientras se centra en otros temas importantes.

La gran cantidad de aplicaciones de software que se acumulan con el tiempo puede volverse bastante abrumadora para los arquitectos empresariales. Dichas aplicaciones pueden evaluarse utilizando checklists o cuestionarios para tomar decisiones de inversión inteligentes. Sin embargo, si bien este es un gran paso para evaluar su cartera, analizar cada aplicación individualmente para definir una estrategia de inversión ciertamente puede llevar mucho tiempo. Y aquí es donde el machine learning llega al rescate. En las siguientes secciones, exploraremos dos formas en que puede evaluar fácilmente su cartera de aplicaciones con IA.

Independientemente de la opción de evaluación que elija para la evaluación de su cartera de aplicaciones, probablemente se basará en algún tipo de puntuación. Por ejemplo, si completa una encuesta, cada respuesta generalmente contendrá un cierto valor (por ejemplo, de 1 a 5). Con su puntaje final, podrá elegir una estrategia de inversión que mejor se ajuste a la aplicación en cuestión. Calcular esta puntuación manualmente, sin embargo, probablemente le llevará un tiempo, especialmente si tiene una rica cartera de aplicaciones. Afortunadamente, las computadoras ahora pueden hacer este tipo de trabajo para nosotros, y en solo una fracción de tiempo. Por lo tanto, lo único que debe hacer es establecer un umbral para cada estrategia de inversión, por ejemplo, siguiendo el enfoque del modelo TIME de Gartner.

A veces, sin embargo, una evaluación de aplicación adecuada requiere algo más que una simple puntuación. Dado que algunos criterios son más importantes que otros, puede, por ejemplo, decidir invertir en una determinada aplicación, a pesar del puntaje final que sugiere lo contrario. Después de algunas de estas iteraciones, la computadora aprenderá el patrón de sus decisiones de inversión y comenzará a hacer sugerencias comparables propias. Cuantas más aplicaciones evalúe y priorice, más precisas serán las recomendaciones de IA.

La elección final aún se basa en usted: ¿confía en la propuesta de la computadora o aún le gustaría anular y adaptar la decisión de inversión? En cualquier caso, la computadora memorizará y ajustará su algoritmo en consecuencia. Un factor importante a tener en cuenta aquí es la probabilidad de que la computadora tenga razón. El algoritmo de machine learning calcula la probabilidad de la precisión de su propuesta de estrategia de inversión. Entonces, por ejemplo, si la probabilidad es inferior al 35%(lo que significa que el machine learning no tenía suficientes datos para hacer una propuesta cualitativa), no se sugerirá ninguna estrategia de inversión o no será muy relevante.

1. Cuantas más respuestas (datos) pasen por el algoritmo, más precisas serán las predicciones de IA
2. A medida que entran más respuestas, el modelo de machine learning considerará cada pregunta como su propia dimensión. Esto significa que si una sola respuesta de la pregunta es más importante para su evaluación que para las otras (por ejemplo, la usabilidad de una aplicación), el modelo de machine learning aprenderá esto y lo aplicará al hacer una predicción
3. La principal diferencia entre las estrategias de inversión basadas en un cálculo manual frente al modelo de machine learning es que el primero es una puntuación simple que solo considera una suma final. Por otro lado, el modelo de machine learning tiene en cuenta la importancia de diferentes preguntas y da más peso a algunas preguntas en consecuencia. En la vida real, los casos individuales a menudo son más importantes que los puntajes generales. Por lo tanto, naturalmente podemos esperar que ML tenga más probabilidades de dar un resultado más preciso.

Supongamos que tenemos una encuesta que nos ayuda a evaluar nuestra cartera de aplicaciones en función de su negocio y aptitud de TI y definir una estrategia de inversión adecuada. Considere el siguiente conjunto de respuestas de muestra (que oscila entre 1 y 5):

El modelo de machine learning intentará obtener un valor de peso para cada una de estas preguntas aprendiendo las respuestas y la estrategia de inversión resultante y convertirlas en patrones. Entonces, supongamos:

• Pregunta 1: ¿La aplicación le ayuda a obtener una ventaja competitiva?
• Pregunta 2: ¿Cómo calificaría la usabilidad de la aplicación?

La pregunta 1 podría ser más relevante para su decisión que la pregunta 2. Por lo tanto, tiene un mayor peso (W). Entonces, la forma en que se le ocurrirá a la computadora la decisión final es resolver algo de una ecuación que podría verse así:

Q1xW1 + Q2xW2 + Q3xW3 = Tolerar

Q1xW1 + Q2xW2 + Q3xW3 = Invertir

Q1xW1 + Q2xW2 + Q3xW3 = Migrar

Q1xW1 + Q2xW2 + Q3xW3 = Eliminar

Naturalmente, después de una mayor cantidad de datos, el valor de peso será más preciso y también lo hará el resultado con su sugerencia de inversión. En última instancia, esto le permitirá construir carteras de aplicaciones a prueba de futuro con mayor facilidad y menos esfuerzo.

A medida que la tecnología avanza con el tiempo, también debería su arquitectura empresarial. Haga uso de las tendencias emergentes, como el machine learning, para darle más valor a sus datos de EA y dejar que le ayude a tomar importantes decisiones de cartera de aplicaciones. Esta nueva forma de evaluar sus carteras no solo le ahorra tiempo, recursos y reduce los errores, sino que también es más preciso que los enfoques de evaluación comunes. El beneficio que sea de interés para usted, el uso de IA y el machine learning para su EA definitivamente vale la pena intentarlo.