Mechanismen und Konzepte des maschinellen Lernens (ML), die die Nutzerfreundlichkeit von Software-Produkten mit der Zeit immer weiter verbessern, bilden längst die Basis zahlloser Interaktionen.

Zwar gibt es jede Menge Hype rund um maschinelles Lernen. Gelegentlich werden ML-Features aus reinem Selbstzweck in Produkte implementiert: Das ist gut fürs Marketing, aber praktisch ohne Auswirkungen auf die tägliche Arbeit der User.

Doch gut implementierte ML-Technologien haben unbestritten ihre Vorteile – und zwar vor allem dann, wenn es darum geht, Menschen von den weniger erfreulichen, repetitiven Bestandteilen des Arbeitslebens zu entlasten. Sie haben das Potenzial, die Zusammenarbeit zu vereinfachen, Prozesse zu beschleunigen und Overhead zu reduzieren.

Moderne Software macht sich auf den Weg ins Smart-Zeitalter

Für Unternehmen, die selbst Software entwickeln, wird maschinelles Lernen in nicht allzu ferner Zukunft ein echter Differenzierungsfaktor gegenüber der Konkurrenz und ein wichtiger Eckpfeiler bei der Erschaffung guter Nutzererlebnisse sein.

So, wie Kunden heute erwarten, dass Software-Lösungen ein rundes, intuitives Oberflächendesign und ausgereifte mobile Apps mitbringen, werden sie in Zukunft gesteigerten Wert auf smarte, intelligente Features legen. Das Nichtvorhandensein solcher Elemente und Möglichkeiten wird früher oder später so offensichtlich und ärgerlich sein, wie eine klobige, antiquierte Oberfläche es heute ist.

Autokorrektur und Autovervollständigung sind gute Beispiele dafür. Nutzer erwarten Autokorrektur-Features praktisch überall. Und wenn sie nicht funktionieren, sorgt das sofort für Frust. Im Vergleich dazu ist die Autovervollständigung relativ jung, gehört aber ebenfalls für immer mehr Anwendungsarten zum Erwartungshorizont.

Und schon bald werden noch komplexere Smart-Funktionen wie die intelligente Suche oder die automatische Benachrichtigungs- und Aufgabenpriorisierung zum Standardrepertoire moderner Apps gehören.

Maschinelles Lernen unterstützt die User

Die Verbreitung von Smart-Funktionen folgt der Konsumerisierung der IT – so nennt man den Technologiekreislauf von Lösungen, die zuerst im Kundenmarkt auftreten und von dort aus nach und nach ihren Weg in die Unternehmen finden. Gruppenchats wie Google Chat und Slack stehen exemplarisch für diesen Zyklus. Nachdem sich Chat-Apps für Privatanwender durchgesetzt hatten und immer weiter verbessert wurden, entstand bei den Usern die Erwartungshaltung, diese Technologie überall nutzen zu können – auch in den Organisationen.

Maschinelles Lernen in Arbeitsmanagements- und Zusammenarbeits-Software wird gewiss einen ähnlichen Weg nehmen und die Nutzererwartungen an die Unternehmens-IT massiv verändern. Es ist schwer vorstellbar, dass die Auswirkungen des maschinellen Lernens auf die Technologien von Privatkunden sich nicht auch in den Lösungen für Unternehmen niederschlagen werden.

Twitter ist ein gutes Beispiel. Die Umstellung des Twitter-Feeds auf ein Algorithmus-Modell hatte die Art und Weise, wie sich User auf der Plattform verbinden und Informationen teilen, drastisch verändert. Die Hauptfunktionen dieses neuen News-Feeds ähneln denen einer Zusammenarbeits-Software: Der Feed macht Vorschläge, welche Inhalte wir lesen oder ansehen, mit wem wir uns verbinden und an welchen Veranstaltungen wir teilnehmen sollten.

Doch Leute, die durch Twitter scrollen, verfolgen höchstwahrscheinlich nicht das Ziel, mehr Produktivität zu erreichen. Vielmehr geht es darum, Überschriften zu überfliegen, ohne in allzu viele Artikel hineinklicken zu müssen – was wiederum gut für Twitter ist, denn dadurch bleiben die User in der App und sehen die Werbung. Und hier wird es zu einer Differenzierung im Hinblick auf maschinelles Lernen in Anwendungen für Privatkunden und für Unternehmen kommen.

Hinter jedem ML-Algorithmus steckt eine primäre Intention

Jeder ML-Algorithmus wird mit einem Hauptziel entwickelt. Bei Twitter besteht es darin, den Wert der Werbeanzeigen auf der Plattform zu maximieren, oft auf Kosten der User. Das Ziel einer Zusammenarbeits-Software besteht indes darin, Teams zu helfen, Arbeit besser und schneller zu erledigen. Und hier kann maschinelles Lernen zu besseren Resultaten für die Unternehmen und die Angestellten führen.

Ein Algorithmus in einem Feed von Informationen soll User dabei unterstützen, ihre Ziele ohne Ablenkungen und Unterbrechungen zu erreichen, indem er die wichtigsten und relevantesten Inhalte hoch priorisiert. Gleichzeitig sollen die User möglichst keinen Dokumenten und Benachrichtigungen ausgesetzt sein, die für sie irrelevant sind und die den Workflow behindern.

Maschinelles Lernen dient in beiden Fällen dazu, die Produkte zu personalisieren. Bei Twitter geht es um die Personalisierung der Werbung und der Verbindungen zu den Leuten, denen wir folgen und mit denen wir wahrscheinlich interagieren wollen. Bei den Cloud-Lösungen von Atlassian geht es um einen personalisierten Weg, der hilft, schneller wieder an die Arbeit zurückkehren zu können (über das Start-Portal in Atlassian Cloud) und Verbindungen zu Kollegen herzustellen, mit denen wir zusammenarbeiten müssen (mithilfe von Smart Mentions).

Smart-Technologien werden zu Wettbewerbsvorteilen

Frühere Trends in Sachen IT-Konsumerisierung wie das Oberflächendesign und die Mobile-Fähigkeit waren mit Nachzüglern relativ gnädig. Hier konnten Unternehmen rasch aufholen, es war nur eine Frage der Investitionen und des vorhandenen Talents. Doch im Bereich des maschinellen Lernens wird das nicht so einfach funktionieren.

Die Entwicklung von smarter Software macht es erforderlich, die Algorithmen mit großen Datenmengen zu "trainieren" – und solche Daten gibt es nicht zu kaufen und können auch nicht im Eilverfahren gesammelt werden. Je länger eine Organisation braucht, um sie zu sammeln, zu strukturieren und auf den Algorithmus anzuwenden, desto weiter fallen sie zurück und desto schwerer wird es, die Lücke zu schließen.

Für Organisationen, die Technologieanbieter als potenzielle langfristige Partner evaluieren, ist es deshalb empfehlenswert, solche Unternehmen ins Auge zu fassen, die einen klaren Fokus auf die Smart-Strategie richten.

Dein Partner für Atlassian-Software in der Cloud

Möchtest du mehr über die Möglichkeiten und Features von Atlassian Cloud erfahren? Oder interessierst du dich konkret für die Migration zu Confluence Cloud, Jira Cloud, Jira Service Management Cloud und/oder Bitbucket Cloud? Dann stelle deine Fragen gerne einfach per E-Mail oder vereinbare direkt einen Beratungstermin mit uns (auf Deutsch oder Englisch möglich).

Weiterführende Infos

Atlassian Cloud und der funktionelle Status quo
Häufige Fragen zum Wechsel in die Atlassian Cloud
App-Assessment für Atlassian Cloud selbst gemacht: Bewerte deine Apps in nur vier Schritten
Wie technische Leiter die Migration in die Atlassian Cloud sehen