Hohe technische Schulden in niedrige Kosten umwandeln

Langfristige Planung scheint eine kluge Entscheidung zu sein. Aber in der schnelllebigen Technologiewelt fühlt es sich auf lange Sicht wie ein Tag an, der nie kommt. Neue Technologien oder digitale Erfahrungen ziehen immer Manager an, die einen betrieblichen Vorteil suchen. Die Diskussion dreht sich oft darum, ein aktuelles System in ihrer Organisation zu ersetzen.

In vielen Fällen müssen sich Manager oft mit technischen Schulden auseinandersetzen, bevor die neue Technologie eingeführt wird. Technische Schulden sind die Kosten akzeptierter Kompromisse bei der Wartung aktueller Systeme, um ein sofortiges Start- oder Budgetziel zu erreichen. Die Schulden entstehen aus einer Reihe von Fällen, aus einer Programmierentscheidung für ein Software-Engineering-Projekt oder aus einer kostensparenden Entscheidung, Upgrades für ein veraltetes System zu verzögern. Bei der App-Entwicklung beispielsweise führt die Einführung einer einfacheren Version des Produkts zur schnellen Auslieferung dazu, dass Funktionen weggelassen werden, wodurch eine technische Schuld entsteht, die behoben werden muss, wenn die neuen Funktionen hinzugefügt werden. Manchmal „fühlen“ sich technische Schulden im Vergleich zur langfristig technisch besseren Wahl wie eine kostensparende Maßnahme an.

Technische Schulden sind bei Managern ein zunehmendes Thema, da die Zahl potenzieller Ursachen für die Einführung einer Unternehmenslösung zunimmt. Unternehmen setzen maschinelles Lernen, KI und Cloud-Lösungen ein, um viele veraltete Systeme zu ersetzen, die derzeit Dienste und Prozesse verwalten. Die mit älteren Systemen verbundenen technischen Schulden enthüllen sich als versteckte Betriebskosten, die im Laufe der Zeit gewachsen sind und angegangen werden müssen.

Viele technische Transformationen werden ebenso stark von Datenmanagement-Entscheidungen beeinflusst wie von Software-Design-Entscheidungen. Nehmen Sie die Datenschutzbestimmungen. Die Datenspeicherung innerhalb von Systemen muss identifiziert werden, um den Datenschutz-Compliance-Anforderungen gerecht zu werden. Das Datenmanagement muss aufzeigen, wie Compliance eingehalten wird.

Tatsächlich ist unter IT-Experten eine Variante technischer Schulden entstanden: Datenschulden. Datenschulden sind eine Anhäufung von Kompromissen bei der Datenverwaltung. Datenschulden treten in der Regel überall dort auf, wo Daten die Grundlage für Vorgänge sind, etwa bei der Qualitätskontrolle oder bei der Aufklärung von Bedrohungen für die Cybersicherheit. Wie technische Schulden entstehen auch Datenschulden mit verzögerten Investitionen in die Wartung oder Verwaltung digitaler Assets – in diesem Fall Betriebsdaten.

Datenschulden führen zu einem bekannten, aber deutlichen Unterschied in den Kompromissen im Vergleich zu technischen Schulden. Während Technische Schulden sind eher ein Überbegriff für die Technologien, die zur Bereitstellung eines Produkts und einer Dienstleistung verwendet werden. Datenschulden sind ein Überbegriff für Datenkontaktpunkte wie Silos, Duplikate von Beobachtungen und Inkonsistenzen aus Quellen. Der Aufstieg des maschinellen Lernens sowie die derzeit weit verbreitete Einführung von KI machen es schwieriger, die potenziellen Risiken einer schlecht investierten Datenverwaltung zu vermeiden.

IT-Manager werden mit steigenden Investitionen in KI mit mehr Datenschuldenproblemen konfrontiert sein. Open-Source-LLMs (Large Language Models) wie das LangChain-Framework und das neu eingeführte Llama2 von Meta bieten die Möglichkeit, KI-Modelle und -Anwendungen mit weniger Parametern und folglich einer kleineren Modellgröße als das Trainingsmodell hinter ChatGPT zu erstellen. Open-Source-LLM bietet eine überschaubare KI-Entwicklung für KI-gestützte Apps, die mit Ihren proprietären Daten arbeiten. Es ermöglicht mehr Transparenz über Trainings- und Testdaten und macht die Abhängigkeit vom Datenzugriff von Servern und APIs Dritter überflüssig, die die Modellleistung verändern und stören können.

Die Verwaltung einer internen KI-Plattform verlagert auch die Herausforderungen bei der Nutzung von Daten. Viele LLMs werden unter Verwendung von Vectorstores entwickelt, einem Datenspeichermedium zur Indizierung unstrukturierter Daten und Dokumente. Vector speichert darunter eingebettete Daten – einen Datensatz, der mithilfe von LLM aus den unstrukturierten Daten erstellt wurde. Vectorstores wurden speziell entwickelt, um den Zugriff auf Dokumente für Trainings- und Testmodelle zu erleichtern. Aber ein Unternehmen, das ein Modell plant, verwendet möglicherweise Dokumentation, die auf älteren Datenträgern gespeichert ist. Daher kommt es bei fortgeschrittener Entwicklung häufig zu Datenschuldensituationen bei Datenzugriffen aus älteren Datenspeichern.

Wie können IT-Teams die technische Verschuldung in ihrer jeweiligen Organisation am besten minimieren?

Ein wichtiger Schritt besteht darin, zunächst eine Möglichkeit zur Überprüfung der Technologie mit den Interessengruppen zu schaffen. Dies kann eine ständige Überprüfungsbesprechung bedeuten, um einen Überblick über die aktuelle Technologie, ihren Betriebsstatus und mögliche Pläne für Upgrades, Aktualisierungen oder Ersatz zu erhalten. Auf diese Weise wird eine Dokumentation von Richtlinien, Konventionen und Prozessen im gesamten Unternehmen erstellt und das gemeinsame Verständnis dafür verbessert, wie Möglichkeiten zur langfristigen Reduzierung technischer Schulden erkannt werden können.

Nutzen Sie die Review-Meetings, um hervorzuheben, wann die letzte Code-Wartung auf kritischen Softwaresystemen durchgeführt wurde. Viele dieser Briefings lösen eine Prüfung des Datenmanagements im Zusammenhang mit der Umgestaltung des Codes, dem Umschreiben des Codes oder der schrittweisen Verbesserung des Codes im Laufe der Zeit aus. Ein Audit ist eine Gelegenheit, Hintergrundinformationen zur letzten Überprüfung von Daten in einem Tech-Stack oder algorithmischen Prozess zu sammeln. Sobald das Team zusammengestellt ist, kann es Richtlinien, Konventionen und Prozesse festlegen, mit denen Schulden am besten reduziert oder andere technische Hindernisse schnell beseitigt werden können.

Bei der Untersuchung der Technologie muss das Prüfteam ermitteln, welche Prozesse die meiste Zeit verbrauchen (oder verschwenden). Dies hilft Teams, potenzielle Engpässe zu erkennen, bevor sie auftreten, und entsprechend zu planen.

Wenn Sie neue Funktionen in eine Software oder ein Datenmodell integrieren, achten Sie auf technische Schuldenbedingungen. Für den Aufbau und die Implementierung dieser Funktionen müssen Sie möglicherweise einen Teil dieser Schulden begleichen.

Die Auswahl von Funktionen kann sich auch auf Entscheidungen über die Verwendung historischer Daten auswirken und die Frage stellen, ob die Daten wirklich notwendig sind. Eine Frage, die sich Teams stellen können, lautet: Welche Informationen haben sich seit der Entscheidung zur Nutzung der Daten geändert? Fast alles, was mit Technologie zu tun hat, ändert sich, von den Funktionen bis zum Benutzerverhalten, sodass einige ältere Entscheidungen heute möglicherweise nicht mehr so ​​​​wertvoll sind wie zu der Zeit, als sie getroffen wurden.

Die Teams können dann fragen, ob der Zugriff der Stakeholder auf den Datenverlauf sinnvoll ist. Wie weit muss der reguläre Zugriff zurückliegen – sechs Monate? Ein Jahr? 3 Jahre? Die Antworten können dann auf die Methoden und Tools zurückgeführt werden, die häufig von Analysten und Stakeholdern verwendet werden. Einige Tools und Datenspeicher benötigen möglicherweise wirklich ein Update, während andere mit geringfügigen Funktions- und Plugin-Upgrades immer noch nützlich sein können.

Für manche Analysten und Manager könnten ein paar historische Schlüsselkennzahlen, die in Excel oder Google Sheet angezeigt werden, wirklich ausreichen. In anderen Fällen würde ein Markdown-Dokument, das R- und Python-Code enthält, aktualisierte Metriken bereitstellen, die über eine API bereitgestellt werden. Eine geschickte Tool-Auswahl kann andere technische Schulden- und Datenschuldenlücken aufdecken, die mit der unternehmensweiten Nutzung verbunden sind.

Der Abbau technischer Schulden ist heutzutage wichtiger. Neben der erhöhten Wahrscheinlichkeit, dass technische Schulden entstehen, kann es eine Herausforderung sein, die richtigen Fähigkeiten zu finden, um betriebliche Effizienz zu ermitteln und Entscheidungen umzusetzen.

Die Notwendigkeit, technische Schulden zu reduzieren, wird auch in naher Zukunft für viele IT-Teams und CIOs im Vordergrund stehen. Die jüngsten aufsehenerregenden Entlassungen in der Technologiebranche in Verbindung mit „The Great Resignation“ haben dazu geführt, dass sich Unternehmensteams für die Bewältigung jeglicher Aufgaben, ganz zu schweigen von technischen Schuldenabbauprojekten, unterbesetzt fühlen.

Aber unabhängig von der Quelle, der Größe und den Auswirkungen müssen IT-Teams die technischen Schulden, auf die sie stoßen, verwalten und reduzieren. Mit einem hohen Engagement bei der Suche nach Best Practices und Lösungen können Teams mit maßvollen Schritten, die den Einfluss technischer Schulden auf sich verändernde Tech-Stacks hinter den kritischsten Anwendungsfällen reduzieren, zu Technologieführern werden. Das Ergebnis sind solide Technologieentscheidungen, die Unternehmen langfristig kosteneffizienter machen.

Das Technologiedefizit neu denken

CIOs: Hören Sie auf, für schlechte Technologie auszugeben

CIO-Lehren aus der Wintermisere von Southwest Airlines