Sztuczna inteligencja w architekturze korporacyjnej – nowe podejścia do definiowania strategii inwestycyjnej portfela aplikacji

Architekci korporacyjni w dzisiejszych czasach stoją przed realnymi wyzwaniami: rynki pełne zakłóceń, presja ciągłej zmiany i innowacji, mnóstwo aplikacji oraz potrzeba przyspieszenia transformacji, by utrzymać przewagę nad konkurencją.

Okoliczności te wymagają szybkiego i stabilnego rozwoju architektury korporacyjnej oraz nowych sposobów zarządzania, które poprowadzą ją w dobrym kierunku. Idealnymi narzędziami w obliczu trudności mogą być właśnie sztuczna inteligencja i uczenie maszynowe, do tej pory z powodzeniem wykorzystywane w innych branżach. Nadszedł czas, aby weszły do gry także w obszarze architektury korporacyjnej – pomagając odkryć prawdziwą moc danych EA.

Przeczytaj artykuł, aby odkryć, jak uczenie maszynowe może przekształcić dane EA w wartościowe informacje wspierające decyzje inwestycyjne w portfelu aplikacji.

Sztuczna inteligencja (ang. artificial intelligence – AI) to zdolność maszyn do naśladowania ludzkiego zachowania. Jednym z najpotężniejszych i najbardziej powszechnych rozwiązań w tej dziedzinie jest uczenie maszynowe, które naśladuje sposób, w jaki uczą się ludzie. Uczenie maszynowe analizuje dane za pomocą algorytmów, dzięki czemu potrafi dostarczyć wartościowych informacji szybciej, niż zrobiłby to człowiek. Dzięki temu rozwiązaniu oszczędzamy czas, minimalizujemy błędy i w pełni wykorzystujemy dostępne dane, a wszystko to dzieje się w tle, podczas gdy Ty skupiasz się na innych ważnych zadaniach.

Wielka liczba aplikacji, które gromadzą się w organizacji z biegiem czasu, może stanowić poważne wyzwanie dla architektów korporacyjnych pod względem ich utrzymania. Aplikacje te można oceniać za pomocą list kontrolnych lub kwestionariuszy, co pomaga podejmować świadome decyzje inwestycyjne. Choć jest to dobry sposób na ocenę portfela, indywidualna analiza każdej aplikacji w celu opracowania strategii inwestycyjnej może być bardzo czasochłonna. W tym miejscu z pomocą przychodzi uczenie maszynowe. W dalszej części artykułu omówimy dwa sposoby, dzięki którym łatwiej ocenisz swój portfel aplikacji przy wsparciu sztucznej inteligencji.

Bez względu na to, którą metodę oceny portfela aplikacji wybierzesz, najprawdopodobniej będzie ona opierała się na systemie punktowym. Na przykład, jeśli wypełnisz ankietę, każda odpowiedź zazwyczaj otrzyma określoną wartość (np. od 1 do 5). Na podstawie uzyskanego wyniku będziesz mógł wybrać strategię inwestycyjną, która najlepiej odpowiada danej aplikacji. Jednak ręczne obliczenie tego wyniku może zająć sporo czasu, szczególnie jeśli masz do czynienia z dużym portfelem aplikacji. Na szczęście komputery mogą teraz wykonać tę pracę za nas – i to znacznie szybciej. Wystarczy, że ustawisz odpowiednie progi dla każdej strategii inwestycyjnej, na przykład korzystając z modelu TIME zaproponowanego przez firmę Gartner.

Czasami ocena aplikacji wymaga czegoś więcej niż tylko prostego przypisania punktów. Ponieważ niektóre kryteria mają większe znaczenie niż inne, możesz na przykład zdecydować się na inwestycję w konkretną aplikację, mimo że wynik końcowy sugerowałby inaczej. Po kilku takich decyzjach komputer zacznie dostrzegać wzorce w Twoich wyborach i zacznie proponować podobne opcje. Im więcej aplikacji oceniasz i priorytetyzujesz, tym bardziej trafne będą rekomendacje sztucznej inteligencji.

Ostateczna decyzja należy jednak do Ciebie: czy ufasz propozycji komputera, czy wolisz ją odrzucić i podjąć inną decyzję inwestycyjną? W każdym przypadku komputer zapamięta Twoje decyzje i dostosuje swój algorytm. Ważnym czynnikiem jest prawdopodobieństwo, że komputer ma rację. Algorytm uczenia maszynowego oblicza prawdopodobieństwo trafności swojej rekomendacji inwestycyjnej. Jeśli to prawdopodobieństwo wynosi mniej niż 35%, oznacza to, że komputer nie ma wystarczających danych, by zaproponować trafną strategię – w takim przypadku rekomendacja może nie być istotna lub w ogóle jej nie będzie.

1. Im więcej odpowiedzi (danych) przechodzi przez algorytm, tym dokładniejsze będą prognozy AI.
2. Wraz z napływem nowych odpowiedzi, model uczenia maszynowego traktuje każde pytanie jako osobny element oceny. Oznacza to, że jeśli odpowiedź na konkretne pytanie (np. użyteczność aplikacji) jest ważniejsza niż pozostałe, model nauczy się to rozpoznawać i uwzględni przy prognozowaniu.
3. Główna różnica między ręcznie obliczaną strategią inwestycyjną a modelem uczenia maszynowego polega na tym, że tradycyjna metoda opiera się na prostym punktowaniu, które uwzględnia tylko ostateczną sumę. Natomiast model uczenia maszynowego bierze pod uwagę wagę poszczególnych pytań i przypisuje im odpowiednią ważność. W praktyce, często to indywidualne przypadki są bardziej istotne niż ogólny wynik punktowy, dlatego model ML ma większą szansę na trafniejszą prognozę.

Załóżmy, że mamy ankietę, która pozwala ocenić nasz portfel aplikacji pod kątem ich dopasowania do wymagań biznesowych i IT, a także pomóc w określeniu odpowiedniej strategii inwestycyjnej. Weźmy jako przykład zestaw odpowiedzi (w skali od 1 do 5):

Model uczenia maszynowego przypisuje wagę do każdego z pytań, analizując odpowiedzi oraz wynikającą z nich strategię inwestycyjną, a następnie identyfikuje wzorce. Weźmy jako przykład następujące pytania:

W miarę jak technologia się rozwija, architektura Twojego przedsiębiorstwa powinna podążać za tymi zmianami. Wykorzystaj nowoczesne trendy, takie jak uczenie maszynowe, aby nadać większą wartość danym w Twojej EA i ułatwić podejmowanie kluczowych decyzji dotyczących portfela aplikacji. Nowe podejście do oceny portfeli nie tylko oszczędza czas i zasoby oraz redukuje błędy, ale także jest bardziej precyzyjne niż tradycyjne metody. Bez względu na to, który aspekt jest dla Ciebie najważniejszy, zastosowanie AI i uczenia maszynowego w EA zdecydowanie warto rozważyć.