Architecture d’entreprise IA – De nouvelles façons de définir votre stratégie d’investissement dans votre portefeuille applicatif

Aujourd’hui, la lutte des architectes d’entreprise est réelle : des marchés perturbateurs, une pression pour le changement et l’innovation constants, une myriade d’applications et la nécessité d’accélérer la transformation à un rythme plus rapide que jamais pour garder une longueur d’avance sur la concurrence.

Ces défis nécessitent une croissance rapide et régulière de l’architecture d’entreprise et nécessitent de nouvelles méthodes de gestion pour orienter l’architecture dans la bonne direction. L’IA et l’apprentissage machine pourraient être les bons outils pour ce travail. Ils ont déjà été exploités avec succès dans d’autres secteurs, et il est maintenant temps qu’ils entrent également dans le jeu EA, ce qui vous permet de libérer la véritable puissance de vos données d’architecture d’entreprise.

Si vous êtes curieux de savoir comment l’apprentissage machine pourrait transformer vos données EA en informations précieuses pour les décisions d’investissement de portefeuille, assurez-vous de continuer à lire !

Comme son nom l’indique, l’intelligence artificielle est la capacité d’une machine à simuler le comportement humain. En particulier, lorsqu’il s’agit de différentes méthodes de mise en œuvre, l’apprentissage machine est l’une des plus puissantes et des plus répandues. Imitant la façon dont les humains apprennent, les mécanismes d’apprentissage machine utilisent une collection de données et les font passer par un certain algorithme pour fournir des informations qui prendraient autrement beaucoup de temps de travail manuel. Pourquoi est-ce que cela est très adopté aujourd’hui ? Il s’agit surtout de gagner du temps, d’éviter les erreurs et d’utiliser au mieux les données en constante évolution – et tout cela se passe en arrière-plan, pendant que vous vous concentrez sur d’autres sujets importants.

Le grand nombre d’applications logicielles qui s’accumulent au fil du temps peut devenir assez écrasant à gérer pour les architectes d’entreprise. Ces applications peuvent être évaluées à l’aide de listes de contrôle ou de questionnaires afin de prendre des décisions d’investissement intelligentes. Cependant, s’il s’agit d’une excellente étape pour évaluer votre portefeuille, l’analyse de chaque demande individuellement pour définir une stratégie d’investissement peut certainement prendre beaucoup de temps. Et c’est là que l’apprentissage machine vient à la rescousse. Dans les sections suivantes, nous allons explorer deux façons d’évaluer facilement votre portefeuille applicatif avec l’IA..

Quelle que soit l’option d’évaluation que vous choisissez pour l’évaluation de votre portefeuille applicatif, elle sera probablement basée sur une sorte de notation. Par exemple, si vous remplissez un sondage, chaque réponse aura généralement une certaine valeur (par exemple de 1 à 5). Avec votre score final, vous serez en mesure de choisir une stratégie d’investissement qui correspond le mieux à l’application en question. Cependant, le calcul manuel de ce score vous prendra probablement un certain temps, surtout si vous disposez d’un portefeuille applicatif riche. Heureusement, les ordinateurs peuvent maintenant faire ce type de travail pour nous, et en une fraction de temps aussi. La seule chose que vous devez faire est donc de définir un seuil pour chaque stratégie d’investissement, par exemple en suivant l’approche du modèle TIME de Gartner.

Parfois, cependant, une évaluation appropriée d’une candidature nécessite plus qu’une simple notation. Étant donné que certains critères sont plus importants que d’autres, vous pouvez, par exemple, décider d’investir dans une certaine application – bien que le score final suggère le contraire. Après quelques itérations de ce type, l’ordinateur apprendra le modèle de vos décisions d’investissement et commencera à faire ses propres suggestions comparables. Plus vous évaluez et hiérarchisez d’applications, plus les recommandations de l’IA deviendront précises.

Le choix final vous appartient encore : faites-vous confiance à la proposition de l’ordinateur, ou souhaitez-vous tout de même annuler et adapter la décision d’investissement ? Dans les deux cas, l’ordinateur mémorisera et ajustera son algorithme en conséquence. Un facteur important à noter ici est la probabilité que l’ordinateur ait raison. L’algorithme d’apprentissage machine calcule la probabilité de l’exactitude de sa proposition de stratégie d’investissement. Ainsi, par exemple, si la probabilité est inférieure à 35 % (c’est-à-dire que l’apprentissage machine de l’IA n’avait pas assez de données pour faire une proposition qualitative), aucune stratégie d’investissement ne sera proposée ou elle ne sera pas très pertinente.

1. Plus les réponses (données) passent par l’algorithme, plus les prédictions de l’IA seront précises
2. Au fur et à mesure que d’autres réponses arrivent, le modèle d’apprentissage machine considère chaque question comme sa propre dimension. Cela signifie que si une réponse à une seule question est plus importante pour votre évaluation que les autres (par exemple, la satisfaction du métier ou la maturité technologique), le modèle d’apprentissage machine l’intégrera et l’appliquera lors de la réalisation d’une prédiction
3. La principale différence entre les stratégies d’investissement basées sur un calcul manuel et le modèle d’apprentissage machine est que la première est une simple notation qui ne prend en compte qu’une somme finale. D’autre part, le modèle d’apprentissage machine prend en compte l’importance des différentes questions et donne plus de poids à certaines questions en conséquence. Dans la vraie vie, les cas individuels sont souvent plus importants que les scores globaux. On peut donc naturellement s’attendre à ce que le ML soit plus susceptible de donner un résultat plus précis.

Supposons que nous disposions d’une enquête qui nous aide à évaluer notre portefeuille applicatif en fonction de leur adéquation métier et technologique et à définir une stratégie d’investissement appropriée. Considérez l’exemple suivant de réponses (allant de 1 à 5) :

Le modèle d’apprentissage machine tentera de trouver une valeur de pondération pour chacune de ces questions en apprenant les réponses et la stratégie d’investissement qui en résulte et en les convertissant en modèles. Alors, disons :

• Question 1 : L’application vous aide-t-elle à obtenir un avantage concurrentiel ?
• Question 2 : Comment évaluez-vous la satisfaction du métier ?

La question 1 pourrait être plus pertinente pour votre décision que la question 2. Ainsi, il a un poids plus important (W). Ainsi, la façon dont l’ordinateur prendra la décision finale est de résoudre une équation qui pourrait ressembler à ceci :

Q1xW1 + Q2xW2 + Q3xW3 = Tolérer

Q1xW1 + Q2xW2 + Q3xW3 = Investir

Q1xW1 + Q2xW2 + Q3xW3 = Migrer

Q1xW1 + Q2xW2 + Q3xW3 = Éliminer

Naturellement, après une plus grande quantité de données, la valeur du poids deviendra plus précise, tout comme le résultat avec votre suggestion d’investissement. En fin de compte, cela vous permettra de créer des portefeuilles applicatif à l’épreuve du temps avec plus de facilité et moins d’efforts.

Au fur et à mesure que la technologie progresse au fil du temps, votre architecture d’entreprise devrait faire de même. Utilisez les tendances émergentes telles que l’apprentissage machine pour donner plus de valeur à vos données EA et laissez-les vous aider à prendre des décisions importantes en matière de portefeuille applicatif. Cette nouvelle façon d’évaluer vos portefeuilles vous permet non seulement d’économiser du temps, des ressources et de réduire les erreurs, mais elle est également plus précise que les approches d’évaluation courantes. Quel que soit l’avantage qui vous intéresse, l’utilisation de l’IA et de l’apprentissage machine pour votre EA vaut vraiment la peine d’être essayée.