Machine Learning und KI revolutionieren ERP-Testing
Künstliche Intelligenz und Machine Learning können beim Testen, Testen und abermaligen Testen Abhilfe schaffen. Um die Vielzahl unterschiedlicher Aufgaben zu bewältigen, setzen die meisten Unternehmen heute auf komplexe IT-Systemarchitekturen. Den Kern bildet üblicherweise ein cloudbasiertes SAP S/4, ergänzt um weitere spezifische Software-Lösungen. Die SAP-Bestandskunden erhalten so zwar eine leistungsstarke IT. Allerdings entstehen dadurch auch zahlreiche Schnittstellen und Medienbrüche – und damit viele potenzielle Fehlerquellen, etwa als Folge einer unsauberen Datenübergabe.
Wollen Unternehmen systemübergreifende Prozessabläufe garantieren, können sie auf regelmäßige Tests ihrer Systemumgebungen nicht verzichten. Angesichts häufigerer Updates und Upgrades ein mühsames Unterfangen. Abhilfe schaffen hier moderne Verfahren, die auf den Einsatz von künstlicher Intelligenz (KI) und Machine-Learning-Konzepten setzen.
„Schon seit einiger Zeit setzen Unternehmen verstärkt auf Testautomatisierung“, berichtet Thomas Steirer, Testing- und KI-Spezialist beim Digital-Engineering-Unternehmen Nagarro und derzeit betraut mit diversen Forschungsarbeiten zum einschlägigen Themengebiet. „Aber häufig setzen sie dabei nicht die modernsten Verfahren ein – auch deshalb, weil ihnen schlicht die Übersicht darüber fehlt, was derzeit bereits technisch möglich wäre.“
“Für Berater ist es essenziell, sich in kürzester Zeit einen Überblick über die Ist-Prozesse eines Unternehmens zu verschaffen.”
Thomas Steirer,
Testing- und KI-Spezialist,
Nagarro
Zu diesen gehört beispielsweise die Frage, an welchen Stellen moderne Testing-Strukturen ansetzen sollten. Thomas Steirer weist hier darauf hin, dass gerade die automatische Fehleranalyse misslungener Testfälle hilfreiche Erkenntnisse für Unternehmen bietet: „Unsere praktische Erfahrung zeigt: Viele gescheiterte Systemtests lassen sich in der Regel auf wenige Ursachen zurückführen. Sind diese erst bekannt, können die IT-Abteilungen sehr viel gezielter ihre Testing-Infrastruktur optimieren. Bedingung dafür ist, dass sie die Logfiles der fehlgeschlagenen Tests durch Machine-Learning-Modelle auswerten und klassifizieren. Leider besteht hier häufig Nachholbedarf.“
Dieses Vorgehen ist nicht trivial. Um eine passende Klassifikation zu ermöglichen, müssen Testing-Experten zunächst den dafür notwendigen ML-Algorithmus trainieren: Dazu geben sie ihm die gängigen Fehlerkategorien vor und üben die korrekte Zuordnung dann manuell über Trainingsdaten ein.
Zum Partnereintrag:
