Foto: M G White | shutterstock.com

“Heureka!”-Momente kommen meist überraschend und verändern den Lauf der Dinge in der Folge grundlegend – auch im Bereich Software Development. Die wichtigsten Paradigmenwechsel in der Welt der Computertechnologie manifestieren sich dabei in einigen, historisch wertvollen Abhandlungen, die jeder Entwickler und Dev-Aspirant einmal gelesen haben sollte.

Dieser Artikel stellt Ihnen die folgenden Manifeste der Softwareentwicklung vor (die Verlinkung führt jeweils zu einer PDF-Version):

• Alan Turing: On Computable Numbers, with an Application to the Entscheidungsproblem

• John von Neumann: First Draft of a Report on the EDVAC

• John Backuss et al.: Specifications for the IBM Mathematical FORmula TRANSlating System

• Edgar Dijkstra: Go To Statement Considered Harmful

• Whitfield Diffie/Martin E. Hellman: New Directions in Cryptography

• Richard Stallman: The Gnu Manifesto

• Roy Fielding: Architectural Styles and the Design of Network-based Software Architectures

• Satoshi Nakamoto: Bitcoin: A Peer-to-Peer Electronic Cash System

• Martin Abadi et al.: TensorFlow: A System for Large-Scale Machine Learning

1. On Computable Numbers with an Application to the Entscheidungsproblem (1936)

Alan Turings Werk ist der Archetyp eines paradigmatischen Dokuments. Er wagt sich auf unsicheres Terrain und findet Orientierungspunkte, um eine Karte zu entwickeln. Dabei ist eine “Map” herausgekommen, die uns bald hundert Jahre gute Dienste leistet.

Turings Aufsatz ist dabei gut lesbar und versprüht beinahe ein erzählerisches Flair – wenn man bedenkt, dass es sich um eine technische Abhandlung handelt. Im Kern beschäftigt sich Turing mit diversen komplexen, mathematischen Fragen – unter anderem, was eine Zahl berechenbar macht. Mit seinem allgemeinen Modell, bei dem ein Tape durch eine Maschine läuft, hat Turing die Grundlage für die Welt der Informationstechnologie gelegt. Die Turing-Maschine ist deshalb so elegant, weil sie Mathematik in Computer und Computer in Mathematik transformieren kann. Sie ist bis heute ein nützliches Modell, um die Komplexität von Systemen zu beschreiben.

“On Computable Numbers with an Application to the Entscheidungsproblem” ist daher in vielerlei Hinsicht eine Pflichtlektüre. Turings Entscheidungsproblem bietet zudem einen interessanten Einblick in die Schnittmenge von Mathematik, Logik und Informatik. Dabei geht es darum, eine universelle Methode zu finden, um die Ja/Nein-Wahrheit innerhalb einer gegebenen Menge von Axiomen für einen gegebenen Input abzuleiten.

2. First Draft of a Report on the EDVAC (1945)

John von Neumanns Vorschlag für die EDVAC (Electronic Discrete Variable Automatic Computer) -Architektur stellt die Art von Durchbruch dar, die man für offensichtlich halten könnte. Allerdings lag es im Jahr 1945 nicht unbedingt auf der Hand, dass die Memory eines Computers sowohl Daten als auch Anweisungen speichern kann. Der Übergang von Turings weitgehend philosophisch-mathematischer Diskussion zu von Neumanns praktischer Erörterung über Informationen, die “magnetisch auf Stahlband oder Draht aufgeprägt” sind, markiert einen Quantensprung.

Schließlich wirft von Neumanns Werk zahlreiche interessante Überlegungen auf – etwa Ideen dazu, wie Fehler bei Berechnungen zu behandeln sind. Von Neumann beschreibt an der Schwelle zum modernen Computer auf halb reale, halb spekulative Art das Wesen der Devices, die wir heute benutzen. Deshalb ist der grundlegende Aufbau von Computern heute als Von-Neumann-Architektur bekannt.

Von Neumann arbeitete auch am Manhattan-Projekt mit und leistete Pionierarbeit im Bereich der Game Theory sowie der Quantenmechanik. Seine Vorstellung, dass Hochgeschwindigkeitsrechner mit Vakuumröhren arbeiten sollten, erfährt heutzutage eine Renaissance.

3. Specifications for the IBM Mathematical FORmula TRANSlating System (1954)

FORTRAN zählt zu den Urgesteinen der Programmiersprachen und markierte zu ihrer Zeit als erste echte Allzwecksprache einen wesentlichen Durchbruch – obwohl sie nicht öffentlich zugänglich gemacht wurde. FORTRAN übte wesentlichen Einfluss auf das Design von Programmiersprachen und Software im Allgemeinen aus. Die Bedeutung der Sprache zeigt sich unter anderem daran, dass Turing den Computer erst 28 Jahre zuvor erdacht hatte.

Die FORTRAN-Spezifikation vermittelt, welche neuen Möglichkeiten im Jahr 1954 mit Hardware und Software entstanden und diente als Grundlagenmodell für viele weitere Programmiersprachen.

4. Go To Statement Considered Harmful (1968)

Edgar Dijkstras Werk aus dem Jahr 1968 hat uns das Considered-Harmful-Meme beschert:

Doch damit nicht genug. Das Forschungspapier hat auch aufgezeigt, warum Loops und konditionale Control Flows dem Go-To-Statement überlegen sind und maßgeblich verändert, wie Softwareentwickler über Codequalität denken. Dijkstras eineinhalbseitige Arbeit vermittelt eine Attitüde für den Bereich Software Development. Es geht also nicht nur um Struktur von Software zu Write- und Runtimes, sondern um den Charakter der Dev-Arbeit und der Rolle des Menschen in ihr.

Dijkstras Abhandlung definiert die Kultur des Software Engineering als ein leidenschaftliches Unterfangen und hat zudem dazu beigetragen, dass weitere High-Level-Programmiersprachen entwickelt wurden.

5. New Directions in Cryptography (1976)

Das Diffie-Hellman-Paper ist in dreierlei Hinsicht bemerkenswert:

• Der Vorschlag scheint auf den ersten Blick unmöglich.

• Die Lösung ist elegant und leicht zu verstehen.

• Es hat den Lauf der Geschichte verändert.

Wenn Sie mit der Funktionsweise des Diffie-Hellman-Schlüsselaustausch vertraut sind, wissen Sie, warum dieses Werk hier gelistet ist. Die asymmetrische Verschlüsselung mit Public Keys legte den Grundstein für sichere Kommunikation im Netz (etwa HTTPS) und bildete ausserdem auch 32 Jahre später die Grundlage für Bitcoin.

Das Forschungspapier markiert nicht nur einen außergewöhnlichen Meilenstein im Bereich der Software(entwicklung) sondern der Geschichte im Allgemeinen.

6. The Gnu Manifesto (1985)

Das GNU Manifesto aus dem Jahr 1995 ist – in gewisser Weise – das Manifest der Open Source Software und definiert zahlreiche Prämissen in diesem Bereich. Das Papier beschreibt ein kühnes Projekt – ein allgemein verfügbares, hochwertiges Betriebssystem für jedermann – untermauert von einer leidenschaftlich geprägten Philosophie, die sich gegen das damals in der Branche vorherrschende Closed-Source-Modell wandte.

Eine Rebellion, die Erfolg hatte – schließlich ist Open-Source-Software heutzutage allgegenwärtig. Das Gnu-Manifesto liest sich dabei auch heute noch so frisch, als handle es sich um ein aktuelles GitHub-Projekt.

7. Architectural Styles and Design of Network-based Software Architectures (2000)

Roy Fieldings Arbeit, die den REST-Architekturstil einführte, erschien zwar im Jahr 2000. Allerdings fasste er hier die Erkenntnisse zusammen, die die verteilten Programmierumgebungen der 1990er Jahre gebracht hatten, um dann einen Weg in die Zukunft vorzuschlagen. Man könnte also sagen, dass Fieldings Forschungspapier stellvertretend für zwei Jahrzehnte der Softwareentwicklungsgeschichte steht.

REST ist darüber hinaus essenziell, weil es einen wesentlichen Beitrag dazu leistet, die Komplexität moderner Software zu reduzieren. Fieldings Erörterungen über Komplexität und Design in Sachen Webarchitektur sind auch heute für Entwickler relevant.

8. Bitcoin: A Peer-to-Peer Electronic Cash System (2008)

Wer hinter dem berühmt gewordenen Nakamoto-Papier steckt, ist bis heute nicht bekannt. Die Arbeit fasst den Stand der Technik im Bereich der digitalen Währungen zusammen und bietet eine Lösung für deren Hauptprobleme. Es handelt sich im Wesentlichen um ein kurzes, leicht verständliches Dokument, das auch einige Implementierungsdetails enthält.

Neben der Idee für die Kryptowährung Bitcoin enthält das Paper mit dem Konzept der verteilten, virtuellen Maschinen auch die Grundlage für Ethereum.

9. TensorFlow: A System for Large-Scale Machine Learning (2015)

Dieses Whitepaper stellt einen wichtigen Meilenstein auf dem Weg zu modernen KI-Systemen auf der Basis von Large Language Models (LLMs) dar. Dabei diskutiert es ein generalisiertes Machine Learning Framework und führt TensorFlow als Flaggschiff-KI-Plattform ein.

Darüber hinaus konzentriert sich dieses Werk auf die Besonderheiten von TensorFlow. Dabei bietet es einen ausgezeichneten Überblick über den Stand der ML-Technik (auf hohem Niveau). Eine großartige Lektüre für ML-Neugierige und diejenigen, die einen verständlichen Einstieg ins Thema suchen.

Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!

ChatGPT hat auf fast alle Fragen eine Antwort parat. Kein Wunder, dass viele Mitarbeiter inzwischen oft den Chatbot nutzen, wenn sie Informationsbedarf haben. Aber auch bei der Erstellung von Bildern und Videos verbessern sich die Ergebnisse generativer KI in rasantem Tempo. Das macht ChatGPT, Bard, Jasper, Copilot und andere Tools zu einem beliebten Werkzeug im Arbeitsalltag – beispielsweise im Marketing zur Erstellung von Werbetexten und Akquise-E-Mails oder in der IT-Entwicklung für die Optimierung von Quellcode. Immer öfter ersetzen KI-Tools sogar die herkömmliche Google-Suche, da sie direkte Antworten liefern und damit einen weiteren Arbeitsschritt erledigen.

Allen GenAI-Diensten ist gemein, dass sie Mitarbeitern im Arbeitsalltag viele zeitraubende Tätigkeiten abnehmen. Entsprechend gerne werden sie genutzt. Die Kehrseite dieser Begeisterung ist allerdings häufig der blinde Fleck beim Datenschutz. Die Eingabe von sensiblen und kundenbezogenen Informationen kann nämlich schnell einen Verstoß gegen Datenschutzgesetze und interne Compliance-Vorgaben zur Folge haben. Da viele GenAI-Anbieter die Daten auf Systemen außerhalb der EU verarbeiten, kann aus einer harmlosen Situation schnell eine rechtlich verzwickte Lage werden. Etwa wenn Quellcode, Präsentationen oder E-Mails während eines Datenlecks an die Öffentlichkeit gelangen.

Verlust der Datensouveränität

Die eingegebenen Informationen werden von KI-Anbietern zudem zur laufenden Optimierung der Modelle eingesetzt. Dadurch kann es passieren, dass sich vertrauliche Informationen in den Antworten der KI für andere Anwender wiederfinden. Wer selbst geschriebenen Quellcode analysieren lässt, muss damit rechnen, dass besonders innovative oder effiziente Code-Fragmente anderen Entwicklern als Optimierungsmöglichkeit vorgeschlagen werden. Das gilt natürlich auch für andere Datenformen, wie beispielsweise technische Dokumentationen oder Präsentationen.

Im Grunde verlieren Unternehmen die Kontrolle über ihre Daten, sobald diese bei KI-Diensten landen. Auch wenn Anbieter versichern, dass die eingegebenen Informationen nicht für das Training der KI-Modelle verwendet werden, lässt sich das in der Realität nicht überprüfen. Darüber hinaus besteht das Risiko, dass diese Daten bei Cyberangriffen oder Erpressungsversuchen missbraucht werden. Für Unternehmen besteht deshalb Handlungsbedarf: Um die Kontrolle über ihre sensiblen Daten nicht zu verlieren, müssen sie sich für einen strategischen Umgang entscheiden.

Ein erster Schritt in die richtige Richtung ist die Sensibilisierung der Mitarbeiter durch Schulungen und Nutzungsregeln. Hier bietet es sich etwa an, dass Mitarbeiter nur die vom Unternehmen bereitgestellten und verwalteten Accounts verwenden und ohne Genehmigung keinen Code oder sensible Daten eingeben dürfen. Einen vollständigen Schutz sensibler Daten garantiert dieses Vorgehen jedoch nicht. Denn gerade unter Zeitdruck oder in arbeitsintensiven Phasen sind Fehler vorprogrammiert.

Blocken ist keine Lösung

Das Sperren der KI-Dienste mit URL- oder DNS-Filtern scheint deshalb die vermeintlich einfachste Lösung zu sein. Allerdings funktionieren diese Sperren nur innerhalb des Unternehmensnetzwerks, sodass Mitarbeiter sie leicht umgehen können, indem sie aus dem Homeoffice auf die Dienste zugreifen. Zudem sollten Unternehmen sich wirklich gut überlegen, ob sie modernen KI-Tools vollständig den Rücken kehren wollen, deren Mehrwert im Arbeitsalltag bereits hoch ist, obwohl ihre Entwicklung noch in den Kinderschuhen steckt. Eine vollständige Blockierung bedeutet nämlich auch, auf effizientere Arbeitsweisen und produktivere Mitarbeiter zu verzichten. Wir bei Forcepoint sind deshalb davon überzeugt, dass es viel zielführender ist, die KI-Transformation sicher zu gestalten, als durch Verbote zu Frust und Demotivation in den Teams beizutragen und ins Hintertreffen gegenüber der Konkurrenz zu geraten.

Es ist daher der zielführendere Ansatz, den Zugang zu den Diensten ähnlich wie den Zugang zu Cloud-Services zu reglementieren. So können Mitarbeiter die Möglichkeiten von GenAI nutzen, ohne Compliance-Vorgaben zu unterlaufen und die Datensicherheit zu gefährden. Dafür müssen diejenigen KI-Dienste per Evaluation ermittelt werden, die einen wirklichen Mehrwert bringen und deren Preis- und Lizenzmodelle am besten zu den eigenen Budgets passen. Anschließend können unternehmensinterne Richtlinien definiert werden.

Forcepoint

Zero Trust verhindert Datenabflüsse

Ein effektiver Ansatz für die Reglementierung ist ein Zero-Trust-Modell mit Sicherheitslösungen wie Secure Web Gateway (SWG), Cloud Access Security Broker (CASB), DLP-Endpoint-Agent und automatisierter Datenklassifizierung. Mit Hilfe von SWG und CASB können IT-Verantwortliche sicherstellen, dass Mitarbeiter auf Firmengeräten nur die freigegebenen und geprüften KI-Tools verwenden. Soll ein nicht zugelassenes Tool aufgerufen werden, erfolgt der Redirect zu einer intern freigegebenen Alternative. Das Herzstück der sicheren Nutzung von generativen KI-Tools spielt sich jedoch auf der Content-Ebene ab, wie z.B. bei der Überprüfung, ob sensible und personenbezogene Informationen via Datei-Upload oder Texteingabe mit der KI geteilt werden. Hier kommt der DLP-Endpoint-Agent ins Spiel, der verhindert, dass sensible und personenbezogene Daten das Hoheitsgebiet des Unternehmens verlassen. Handelt es sich um weniger kritische Informationen, kann eine Warnmeldung anzeigen werden.

Um den KI-Einsatz auf diese Weise reglementieren zu können, müssen IT-Verantwortliche die Datenbestände überblicken und sensible Informationen gezielt identifizieren. Die Datenmengen wachsen ständig und sind oft weit verzweigt gespeichert. Ein Data Security Posture Management (DSPM) hilft, Daten über alle Speicherorte hinweg aufzuspüren, zu klassifizieren, nach Risiken zu priorisieren und kontinuierlich zu schützen und zu überwachen. Der Einsatz von KI bietet hier einen entscheidenden Mehrwert, um sensible Daten in der Systemlandschaft anhand von Vergleichsdokumenten aufzuspüren. So nutzt die Forcepoint-Lösung für Data Security Posture Management (DSPM) innovative KI-Mesh-Technologie, um in Echtzeit und vollständig automatisiert Datenrisiken zu erkennen – etwa nicht-autorisierte Zugriffe, veraltete Daten oder personenbezogene Informationen. Mit diesem Zero-Trust-Ansatz sinkt das Risiko für blinde Flecken beim Datenmanagement – und das selbst dann, wenn die zu schützenden Inhalte sich in einem Screenshot verstecken. Durch die Kombination von DSPM-Lösung und DLP-Endpoint-Agent kann eine geräteunabhängige sichere Nutzung von generativer KI sichergestellt werden, da u.a. sichergestellt werden kann, dass sensible Informationen und Dateien gar nicht erst lokal auf BYOD-Geräten in unreglementierten Speicherorten abgelegt werden können.

Auf diese Weise ermöglichen Unternehmen nicht nur die sichere Nutzung von generativer KI, sondern legen auch den Grundstein für Zertifizierungen und Testate wie ISO 27001:2022, TISAX, NIS-2 und C5, deren hohe Anforderungen an Datensicherheit und Datenschutz sich mit einem DSPM leichter erfüllen lassen. Lesen Sie den „Executive Guide to Securing Data within Generative AI“, um zu erfahren, welche Best Practices es bei der Einführung von generativer KI zu beachten gibt. 

Foto: Sergey Nivens – shutterstock.com

Das Datenaufkommen steigt nicht nur im Unternehmensumfeld unaufhörlich. Umso wichtiger ist es, sich auf die Daten zu fokussieren, die relevant sind, um zu umsetzbaren Lösungen für Business-Problemstellungen aller Art zu kommen. Genau das ist es, worum es bei Business Intelligence (BI) geht.

BI Tools können dabei unterstützen, die richtigen Daten zu korrelieren und diese dabei so zu visualisieren, dass die Zusammenhänge verständlich werden. Wie simpel sich dieser Prozess gestaltet und wie (gut) sich Daten konkret visualisieren lassen, ist stark abhängig von der gewählten Business Intelligence Software: Es kommt darauf an, dass die Embedded BI zu den Anforderungen des Unternehmens passt.

Diese Aufstellung der derzeit besten Business Intelligence Tools soll Sie dabei unterstützen, die für Sie geeignete Lösung zu ermitteln. Folgende BI Tools werden in diesem Artikel behandelt:

• Board

• Domo

• Dundas BI

• Microsoft Power BI

• MicroStrategy

• Oracle Analytics Cloud

• Qlik

• SAP

• SAS

• Sisense

• Tableau CRM

• Spotfire

Board

Board kombiniert gleich drei Tools in einer Lösung: Business Intelligence, Predictive Analytics und Performance Management laufen in der Software zusammen, die für jeden etwas bieten will – aber sich im Grunde doch eher auf finanzorientierte BI fokussiert. Die Board-Lösung stellt jedoch diverse Module zur Verfügung – beispielsweise für Finanzen (Planung und Konsolidierung), HR (Skills Mapping und Workforce-Planung), Marketing (Social-Media-Analysen, Loyalty Monitoring), Supply Chain (Lieferoptimierung, Zulieferer-Management), Sales (diverse Verkaufsanalysen) und IT (KPIs, Service Levels). Das Unternehmen ist in der Schweiz ansässig und bietet sein BI-Tool in verschiedenen Sprachen an. Seit der letzten Aktualisierung der Software nimmt Board vom MOLAP-Ansatz Abstand und setzt stattdessen auf In-Memory-Berechnungen.

• Zielgruppe: Enterprise (alle Bereiche, aber Fokus auf Finanzabteilung);

• besondere Features: Multi Language Support (Englisch, Spanisch, Chinesisch Japanisch, Französisch, Italienisch und Deutsch);

• Preis: Lizenzkosten sind abhängig von der Rolle des Nutzers;

Domo

Die Cloud-basierte BI-Plattform Domo setzt in erster Linie auf User-orientierte Dashboards und eine einfache Benutzerführung. Dabei beinhaltet Domo BI-Tools für verschiedene Branchen (etwa Finanzdienstleistung, Healthcare, Manufacturing und Bildung) und auch Rollen (CEOs, Sales, BI- und IT-Profis). CIOs sollten zuerst die Datenintegration mit AWS, Jira, GitHub oder New Relic austesten, bevor sie die mehr als 500 weiteren Integrationsmöglichkeiten zu ihrem Vorteil nutzen.

• Zielgruppe: CEOs, Sales und Marketing, BI-Profis;

• besondere Features: zuverlässiges, mobiles Interface;

• Preis: auf Anfrage;

Dundas BI

Die BI-Lösung von Dundas, “Data Visualization”, kommt in erster Linie zur Erstellung von Dashboards und Scorecards zum Einsatz. Sie eignet sich darüber hinaus aber auch für Standard- und Ad-hoc-Reportings. Analysen und Visualisierungen werden über ein Web Interface durchgeführt, dass sich an die Skills der Benutzer anpassen lässt: Power User kommen so in den Genuss erweiterter Features. In der neuesten Version des Dundas Business Intelligence Tools erwarten Sie unter anderem eine In-Memory Engine, Natural-Language-Suchabfragen, Trendanalysen, Linux-Support und eine Applikations-Entwicklungsumgebung für spezifische Analysen. Die BI-Lösung richtet sich in erster Linie an Großunternehmen in diversen Branchen und ist auf “Embedded BI” spezialisiert.

• Zielgruppe: C-Level, HR, Finanzabteilung, Sales, Marketing, Kundenservice;

• besondere Features: flexibles HTML5-Interface, dass sich an alle Gerätearten anpassen lässt;

• Preis: richtet sich nach der Anzahl paralleler Nutzer;

Microsoft Power BI

Mit Hilfe der Power-BI-Desktop-Anwendung für Windows-Systeme können Nutzer Daten aus lokalen oder Cloud-basierten Quellen analysieren und visualisieren sowie die Ergebnisse in Reporting-Form auf der Power-BI-Plattform veröffentlichen. Dabei unterstützt die laut Gartner-Quadrant führende Business-Intelligence-Lösung von Microsoft Data Preparation, Visual-based Discovery, interaktive Dashboards und Augmented Analytics.

Die kostenlose Variante der Power BI App richtet sich an einzelne Nutzer während die Pro-Version kollaborative Analysen vereinfachen soll. Die kostenpflichtige Version ermöglicht auch die Einbindung von Raw-Daten über Microsoft Office 365, SharePoint und Teams. Darüber hinaus ist es auch möglich, Unternehmensdaten, die in Microsoft Dynamics 365, Azure SQL Data Warehouse oder Drittanbieterquellen wie Salesforce vorgehalten werden, über Konnektoren einzubinden.

• Zielgruppe: Microsoft-Nutzer;

• besondere Features: Mobile App erlaubt Touchscreen-Anmerkungen für Reportings;

• Preis: kostenlos, Pro-Version für 9,40 Euro monatlich;

MicroStrategy

Dieser Anbieter adressiert mit einer ganzen Reihe von Deployment-Optionen (Cloud, On-Premises oder Hybrid) diverse Branchen. Ein Drag-and-Drop-Interface hilft den Anwendern dabei, benutzerdefinierte Datenvisualisierungen und personalisierte Echtzeit-Dashboards zusammenzustellen. Darüber hinaus bietet MicroStrategy auch Federated Analytics – Datenquellen wie Tableau, Qlik und Power BI lassen sich also problemlos einbinden. Das BI-Angebot enthält auch einen Enterprise Semantics Graph – der Data Assets indiziert, um Datensilos mit Intelligenz und Echtzeit-Telemtrie auszustatten. Seit der Einführung der One-Plattform setzt MicroStrategy zudem auch massiv auf Generative AI.

• Zielgruppe: alle Enterprise-Nutzer;

• besondere Features: die Möglichkeit, Passwörter und Tokens für die Authentifizierung gegen rollenbaserte Identity Badges einzutauschen, die mit Mobilgeräten verknüpft sind;

• Preis: auf Anfrage;

Oracle Analytics Cloud

Oracle hat sein 2014 an den Start gegangenes Analytics-Cloud-Angebot zielstrebig ausgebaut. 2020 ergänzte der Konzern sein Offering um HCM aus der Cloud, um Self-Service-Analytics für die Personalabteilung zu verwirklichen. Dabei hat sich Oracle darauf konzentriert, sein Cloud-Angebot (inklusive Reporting- und ML-Features) möglichst intuitiv und benutzerfreundlich zu gestalten. Zu den weiteren Schlüsselfunktionen zählen Data Preparation, Datenkonnektoren, Visualisierungen, Predictive Analytivs, nativer Mobile-App-Support sowie Untertsützung für Embedded Analytics.

• Zielgruppe: mittlere und große Unternehmen;

• besondere Features: Conversational Analytics und natürlichsprachliche Suchfunktionen;

• Preis: ab 162 Dollar pro Monat (OAC Professional Edition mit zehn festgelegten Nutzern);

Qlik Analytics / Sense

Im Fall von Qlik lautet die Zielsetzung: Jeder im Unternehmen soll auf all seine Daten Zugriff haben – unter Einhaltung der jeweils gültigen Data-Governance-Richtlinien, versteht sich. Die Menge dieser Daten ist in der Lage, die meisten Database Engines in die Knie zu zwingen. Bei Qlik ist man allerdings davon überzeugt, dass die hauseigene “Associative Engine” Datenkorrelationen jeglicher Granularität aus dem Effeff beherrscht und die Suche nach Verbindung deswegen erheblich erleichtert. Inzwischen nutzt diese Datenbank-Engine auch KI- beziehungsweise Machine-Learning-Fähigkeiten. Qlik Sense kommt als Self-Service-BI-Tool wahlweise aus der Cloud oder als On-Premises-Version.

• Zielgruppe: alle Unternehmen;

• besondere Features: “Associative Engine”;

• Preis: Standard-Plan ab 825 Euro pro Monat (25 GB Analysedaten pro Jahr; 20 Benutzer);

SAP

SAP hatte seine Ambition im Geschäft mit BI-Lösungen erstmals 2008 angemeldet. Die Übernahme von Business Objects für 4,8 Milliarden Euro war die bis dato größte Akquisition der Walldorfer. In den Folgejahren veränderte sich mit der stärkeren Orientierung in Richtung Cloud auch die Business-Intelligence-Strategie von SAP. Im Herbst 2015 präsentierte der Konzern mit “Cloud for Analytics” ein neues BI-Tool. Das Ziel: Den Kunden unter einem gemeinsamen Cloud-Dach verschiedene Funktionen rund um Reporting, Business Intelligence (BI), Planning und Predictive Analytics als integrierte Analytics-Lösung anzubieten.

Bei der SAP Analytics Cloud handelt es sich um eine Cloud-native Multitenant-Plattform, auf der eine Reihe verschiedener Funktionen wie Planning oder Predictive Analytics gebündelt angeboten werden. Mit Hilfe eines sogenannten “Digital Boardroom” lassen sich Datenauswertungen visualisieren. Die Verantwortlichen in den Anwenderunternehmen erhielten so Unterstützung für ihre Business-Entscheidungen.

SAP arbeitet derzeit mit Hochdruck daran, die Lösungen innerhalb ihres Softwarekosmos besser miteinander zu integrieren. Die Analytics Cloud ist eng mit anderen Cloud-Lösungen wie SuccessFactors und C/4HANA und S/4HANA verdrahtet. Auch mit den klassischen On-premise-Anwendungen lassen sich die Analytics-Tools aus der Cloud verknüpfen. Darüber hinaus geht es für SAP darum, seine Datenmodelle zu harmonisieren – eine wichtige Grundlage für eine funktionierende Analytics-Plattform im Unternehmen.

• Zielgruppe: vor allem SAP-Anwenderunternehmen;

• besondere Features: Digital Boardroom als Cockpit für das Management;

• Preis: hängt von Zahl der Nutzer und den Verknüpfungen mit Fremdapplikationen und Datenquellen ab;

SAS

SAS bietet über seine Microservices-basierte Plattform Viya das Business-Intelligence-Tool Visual Analytics an. Dieses BI-Werkzeug fokussiert auf die automatische Ermittlung von entscheidenden Relationen in Datenmustern. In der neuesten Version kommen automatische Vorschläge für relevante Faktoren sowie Insights in Form von Visualisierungen und Natural Language Processing hinzu. Weitere Features sind etwa Sentiment-Analysen, die automatische Erstellung von Charts und Maps sowie Datenvorbereitung im Self-Service. Ausgerollt werden kann das BI Tool wahlweise On-Premises, in der Private oder Public Cloud sowie über die Cloud Foundry PaaS.

• Zielgruppe: Großunternehmen;

• besondere Features: automatisierte Analysemöglichkeiten;

• Preis: auf Anfrage;

Sisense

Der BI Software Stack von Sisense deckt von der Datenbank über ETL und Analytics bis hin zu Visualisierungen sämtliche Bereiche ab. Dabei verspricht das Unternehmen dank einer “In-chip Database Engine” mehr Speed als eine In-Memory-Datenbank. Die neueste Version bringt zudem KI-Fähigkeiten ein. Das Sisense BI Tool steht sowohl On-Premises als auch auf Cloud-Basis zur Verfügung – und stellt dabei Lösungen für die Finanzabteilung, Marketing, Sales, HR, IT, Logistik und den Kundenservice bereit. Die Analytics-Funktionen können darüber hinaus auch für externe User verfügbar gemacht werden, indem sie in Web-Applikationen eingebettet werden. Im September 2019 hat Sisense Periscope Data akquiriert und Advanced Analytics in sein Business-Intelligence-Tool integriert.

• Zielgruppe: kleine und mittlere Unternehmen;

• besondere Features: webbasierter Client;

• Preis: On-Demand-Angebot, basierend auf jährlicher Gebühr für Software und Service;

Spotfire

Spotfire ist eine KI-getriebene Self-Service-Plattform für Dashboards, interaktive Visualisierungen, Data Preparation und Workflows. Durch die Einbindung von Machine Learning können auch komplexe Datenmodelle erstellt werden. Ein Deployment bietet sich in diversen vertikalen Branchen an – zum Beispiel Finanzdienstleistungen, Energie, produzierende Industrie, Einzelhandel, Touristik und Logistik, Healthcare oder Life Sciences. Das Business Intelligence Tool unterstützt außerdem die Programmiersprache Python.

• Zielgruppe: Analysten und Datenwissenschaftler;

• besondere Features: Data-Science-Techniken, Geo Analytics und Echtzeit-Streaming von Daten (NLP), Python Support;

• Preis: auf Anfrage;

Tableau CRM

Nachdem Tableau im August 2019 von Salesforce aufgekauft wurde, wurden die BI-Angebote der beiden Unternehmen zusammengeführt – inklusive der von Salesforce bekannten Predictive- und Prescriptive-Analytics-Funktionen. Das Ziel: Self-Service unternehmensweit auch auf den Bereich Daten auszuweiten.

Ein erstes Produkt der Integration von Tableau und Salesforce ist die KI- und Machine-Learning-Plattform “Einstein Discovery”. Damit können Nutzer auch eigene prädiktive Modelle aus ihren Daten erzeugen. Darüber hinaus stehen nicht nur branchenspezifische Templates, sondern auch maßgeschneiderte Tools für Sales, Services, Marketing und IT zur Verfügung.

• Zielgruppe: Salesforce-Nutzer;

• besondere Features: KI;

• Preis: ab 35 Dollar pro Monat und Benutzer (Enterprise Viewer);

Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!

aerogondo2 | shutterstock.com

Geht’s um Programmiersprachen für künstliche Intelligenz (KI) ist Python bislang der unangefochtene Spitzenreiter. Andere Sprachen standen diesbezüglich bislang ein wenig im Abseits – zum Beispiel Java. Inzwischen ist allerdings eine neue Ära angebrochen, in der KI-Modelle eine Schlüsselkomponente für Machine Learning (ML) darstellen. Dabei ist die entscheidende Frage, wie deren Funktionalität in größere Systeme integriert werden kann. Diese Art der Integration ist eine Spezialität von Java.

Da trifft es sich besonders gut, dass die Macher hinter Spring vor kurzem eine KI-Version ihres Java-Frameworks veröffentlicht haben. Die verspricht, die Programmierarbeit für eine Vielzahl von KI-Projekten zu vereinheitlichen. Entwickler sollen mit Spring AI ihr gesamtes Wissen über die Spring-Semantik und Enterprise-Infrastrukturen auf Machine Learning anwenden können. 

In diesem Tutorial lesen Sie, wie das funktioniert.

Was ist Spring AI?

Spring AI fasst eine Vielzahl von KI-Tools verschiedener Anbieter zusammen, darunter verschiedene Bibliotheken und Frameworks. Zum Beispiel in den Bereichen:

• Natural Language Processing (NLP),
• Computer Vision,
• Spracherkennung und -synthese,
• Empfehlungssysteme,
• Generative AI oder
• ETL.

Darüber hinaus umfasst Spring AI auch einige spezialisierte Tools, beispielsweise für Anomalieerkennung, Zeitreihen-Analysen und Reinforcement Learning. Diese Liste soll künftig erweitert werden. Eine vollständige Übersicht finden Sie hier.

Aktuell liegt der Fokus von Spring auf dem LLM-Use-Case. Das Framework unterstützt ChatGPT – sowohl von OpenAI als auch als Azure Service. Support gibt es zudem für die KI-Modelle von Google, Hugging Face und Amazon.

Die zugrundeliegende Idee: Spring AI will künftig eine möglichst breite Palette von KI-Tools in ein konsistentes, Spring-ähnliches Komponentensystem integrieren.

Ein Spring-Projekt aufsetzen

Ein Weg, Spring AI zu nutzen, besteht darin, eine neue Boot-App dafür einzurichten. Dazu füttern Sie Ihre Kommandozeile mit:

spring boot new --from ai --name myProject

Falls Sie bereits über ein bestehendes Projekt verfügen, können Sie dieses mit folgendem Befehl um die spring-ai-bom-Abhängigkeit erweitern.

spring boot add ai

Die API von Spring AI

Die Spring-AI-Schnittstelle besteht aus mehreren Branches – die umfassendste ist das Model-Interface. Dieses bietet eine generische Komponente, mit der Entwickler nahezu jede Art von KI-Funktionalität in Anwendungen integrieren können. Das Interface dient außerdem dazu, die Plattformen verschiedener KI-Anbieter innerhalb des Spring-Ökosystems verfügbar zu machen.

In Spring AI werden diverse KI-Typen als Implementierungen der Model-Schnittstelle erweitert, darunter ChatModel, EmbeddingModel, ImageModel und SpeechModel. Auch eine Streaming-Version namens StreamingModel existiert. Diese Modellimplementierungen kapseln die vom Anbieter geleistete Arbeit, die von der ChatClient-Implementierung genutzt wird.

Spring AI unterstützt auch Function Calling. Das ermöglicht, eine API über benutzerdefinierten Anwendungscode bereitzustellen, mit der die KI interagieren kann, um ihre Antworten zu formulieren. Bislang unterstützt Spring AI:

• Anthropic Claude,
• Azure OpenAI,
• Google VertexAI Gemini,
• Groq,
• Mistral AI,
• Ollama und
• OpenAI.

Wie bereits erwähnt, bietet Spring AI auch ETL-Support für Vektordatenbanken. Das wird als Document Reader, Transformer und Writer modelliert. Alle großen Anbieter werden abgedeckt. Darüber hinaus bringt Spring AI auch umfassenden Embedding-Support mit: Das EmbeddingModel-Interface abstrahiert die Umwandlung von Text in ein numerisches Format für eine Vielzahl von Anbietern.

Ein weiterer komplexer Bereich, den Spring AI in Angriff nimmt, ist die Multimodalität. Das ermöglicht es, Text und Bilder zu mischen. Im Folgenden ein Beispiel aus der Spring-AI-Dokumentation:

byte[] imageData = new ClassPathResource("/multimodal.test.png").getContentAsByteArray();
var userMessage = new UserMessage(
	"Explain what do you see in this picture?", // content
	List.of(new Media(MimeTypeUtils.IMAGE_PNG, imageData))); // media
ChatResponse response = chatModel.call(new Prompt(List.of(userMessage)));

Prompts helfen dabei, den User Input zu strukturieren. Sie wirken allerdings nur auf den ersten Blick simpel und können mitunter ziemlich  komplex ausfallen. Geht es darum, den Output von KI-Modellen zu strukturieren, unterstützt das StructuredOutput-Interface. Das ist besonders wichtig, wenn der Output zum Input für ein anderes System wird. Ein weiterer interessanter Aspekt der KI-Entwicklung ist das Testing. Auch an dieser Stelle bietet Spring AI Unterstützung.

Eine Spring-AI-Beispielanwendung

Die Funktionsweise von Spring AI betrachten wir nun anhand eines einfachen Beispiels aus dem Spring AI Azure Workshop. Dabei handelt es sich um ein Projekt in einem Maven-Layout. Dabei ist vor allem die application.resources-Datei zu beachten, die folgende Code-Zeile enthält:

// src/main/resources/application.resources
spring.ai.azure.openai.chat.options.deployment-name=gpt-35-turbo-16k

Das erstellt eine Property mit dem Value gpt-turbo-16k. Der spring.ai.azure.openai.chat.options.deployment-name ist wichtig, weil er per Autokonfiguration mit einem Spring-Bean-Konfigurator verknüpft ist, der auf dieser Grundlage einen ChatClient erstellt. Folgende Abhängigkeit in pom.xml stellt diesen Client bereit:

  org.springframework.ai
  spring-ai-azure-openai-spring-boot-starter

Wenn Spring das Projekt nach einem ChatClient durchsucht, nutzt es die Property, um einen ChatClient unter Verwendung der Namenskonventionen im openai-Starterprojekt zu erstellen. Im folgenden helloworld-Beispiel wird dieser ChatClient vom Controller aufgerufen:

package com.xkcd.ai.helloworld;

import org.springframework.ai.chat.ChatClient;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util.Map;

@RestController
public class SimpleAiController {

	private final ChatClient chatClient;

	@Autowired
	public SimpleAiController(ChatClient chatClient) {
		this.chatClient = chatClient;
	}

	@GetMapping("/ai/simple")
	public MapString,  generation(
			@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
		return Map.of("generation", chatClient.call(message));
	}

}

Hierbei handelt es sich um einen typischen Spring REST Controller, bei dem das chatClient-Member als @Autowired an eine Methode gebunden ist. Dieser ChatClient wird dann verwendet, um die Requests unter /ai/simple zu bearbeiten. Die Endpoint-Methode gibt eine Map mit einem „Generation“-Key zurück, dessen Value der Return Value von chatClient.call(message) entspricht.

Damit all das funktioniert, benötigen Sie einen API-Schlüssel für Azure. Dieser wird als Umgebungsvariable festgelegt:

export SPRING_AI_AZURE_OPENAI_API_KEY=

Anschließend müssen Sie auch der Engine „mitteilen“, wo sich der KI-Endpunkt befindet:

export SPRING_AI_AZURE_OPENAI_ENDPOINT=

Sind alle Elemente vorhanden, können Sie das Projekt mit $ maven spring-boot:run ausführen. Über localhost:8080/ai/simple sollten Sie nun einen KI-generierten Witz abrufen können.

Andere Beispiele im Azure-Repository demonstrieren, wie dieser grundlegende Rahmen um zusätzliche Funktionen erweitert werden kann. Sie können beispielsweise ganz einfach ein Prompt Template zur Beispiel-App hinzufügen:

// src/main/resources/prompts/joke-prompt.st
Tell me a {adjective} joke about {topic}

Das wird im Controller wie folgt verwendet:

@Value("classpath:/prompts/joke-prompt.st")
	private Resource jokeResource;

Am Ende könnten Sie noch Folgendes ergänzen:

PromptTemplate promptTemplate = new PromptTemplate(jokeResource);

(fm)

Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!

Microsoft

Eigenen Angaben zufolge präsentiert Microsoft auf der Entwicklerkonferenz in Chicago rund 80 neue Produkte und Funktionen. Das Spektrum reicht dabei von Künstlicher Intelligenz über Cloud Computing und Security bis hin zu neuen Productivity Tools. Hier eine Zusammenfassung der wichtigsten Ankündigungen.

Mehr Produktivität mit Microsoft 365 Copilot

Dem Softwareriesen zufolge nutzen immer mehr Unternehmen Microsoft 365 Copilot, darunter auch fast 70 Prozent der Fortune 500. Grund genug für Microsoft, das Interesse mit neuen Funktionen auf der Ignite weiter anzuheizen.

So sollen etwa die derzeit in der privaten Vorschau befindlichen Copilot Actions es Nutzern ermöglichen, alltägliche Aufgaben mit einfachen Eingabeaufforderungen zu automatisieren. Als Beispiele nennt Microsoft das Abrufen einer täglichen Zusammenfassung der Besprechungsaktionen in Microsoft Teams, das Zusammenstellen wöchentlicher Berichte oder das Empfangen einer E-Mail bei der Rückkehr aus dem Urlaub, die verpasste Besprechungen, Chats und E-Mails zusammenfasst. Die Actions lassen sich dabei laut Microsoft direkt in der Microsoft-365-App einrichten.

Außerdem stellte Microsoft eine Reihe spezialisierter Agenten in Microsoft 365 vor, etwa:

• Agenten in SharePoint, um das Auffinden von Antworten aus diesen Inhalten zu erleichtern und dadurch schnellere Entscheidungen zu ermöglichen. Dabei sollen sich auch benutzerdefinierte Agenten erstellen lassen, die auf ausgewählte SharePoint-Dateien, -Ordner oder -Websites zugeschnitten sind.
• einen Interpreter, derin Besprechungen in Echtzeit übersetzt. Der Agent ist ab Anfang 2025 als Public Preview verfügbar und soll außerdem in der Lage sein, die persönliche Stimme von Besprechungsteilnehmern zu simulieren.
• ein Employee Self-Service Agent, der häufig gestellte IT- und HR-Fragen, etwa bei Laptop-Bestellungen oder zu Mitarbeiter-Benefits, automatisch beantwortet. Der Agent kann in Copilot Studio an die individuellen Bedürfnisse eines Unternehmens angepasst werden.

Andere Agenten in der öffentlichen Vorschau erstellen Besprechungsnotizen in Teams in Echtzeit und automatisieren das Projektmanagement von Anfang bis Ende in Planner.

Microsoft

Neues für Copilot + KI-Stack

Benutzern, denen die von Microsoft gebotenen KI-Funktionen nicht genügen, können mit dem Copilot-Stack anspruchsvollere Produkte entwickeln. Um hier eine einheitliche Erfahrung für Unternehmen zu schaffen, die GenAI-Anwendungen und -Agenten entwerfen, anpassen und verwalten, führt Microsoft die Azure AI Foundry ein. Die Plattform soll Unternehmen Zugriff auf alle vorhandenen Azure-KI-Dienste und -Tools sowie auf neue Funktionen bieten.

Azure AI Foundry umfasst:

– das Azure AI Foundry Portal (früher Azure AI Studio),

– das Azure AI Foundry Software Development Kit (SDK),

– Azure AI Agents und vorgefertigte App-Vorlagen, sowie

– einige Tools für die KI-basierte Anwendungsentwicklung.

Das Azure AI Foundry SDK biete eine einheitliche Toolchain, um KI-Apps und -Agenten mit unternehmensgerechter Steuerung und Anpassung zu entwerfen, anzupassen und zu verwalten, so Microsoft. Neben Tools, die Unternehmen bei der verantwortungsvollen Skalierung ihrer Anwendungen unterstützen, enthält das SDK außerdem 25 vorgefertigte App-Vorlagen und eine vereinfachte Codierungserfahrung, auf die Entwickler über vertraute Tools wie GitHub, Visual Studio und Copilot Studio zugreifen können.

Azure AI Foundry wiederum fungiere wie eine Verwaltungskonsole, ähnlich der AWS Management Console, über die Unternehmensnutzer auf verschiedene Tools zugreifen können. Darunter befindet sich ein ein Kostenkalkulator, ein Nutzungs-Checker, eine Abrechnungskonsole und andere Kerndienste, die als Teil der Cloud-Dienste angeboten werden.Zu den weiteren Aktualisierungen gehören neue spezialisierte branchenspezifische GenAI-Modelle von Unternehmen wie Bayer, Sight Machine, Rockwell Automation, Saifr/Fidelity Labs und Paige.ai.

Cloud-PC Windows 365 Link

Microsoft

Mit Windows 365 Link zeigt Microsoft ein Thin Client-Gerät, das – wie der Name bereits andeutet – speziell für den Zugriff auf den Desktop-as-a-Service (DaaS) Windows 365 konzipiert ist. Der kleine, lüfterlose Rechner ist für den stationären Einsatz gedacht und unterstützt zwei 4K-Monitore, vier USB-Ports, einen Audio-Port, einen Ethernet-Port, Wi-Fi 6E und Bluetooth 5.3. Der Link verwendet einen Intel-Chip, weitere Einzelheiten über den Prozessor und andere Hardware-Spezifikationen nannte Microsoft jedoch nicht. Allerdings soll die Rechenleistung für die lokale Verarbeitung von Videokonferenzen über Microsoft Teams oder Cisco Webex ausreichen.

Laut Microsoft liegt der Fokus bei Windows 365 Link auf Sicherheit: Auf dem Gerät läuft eine abgespeckte Version von Windows – Windows CPC – zur Authentifizierung und Verbindung von Benutzern mit ihrem PC in der Cloud, mit minimalen Funktionen wie Einstellungen. Es gibt keine lokalen Anwendungen, keine sensiblen Daten, die auf dem Gerät gespeichert sind und keine lokalen Nutzer mit Admin-Rechten.

Außerdem werden grundlegende Security Policies standardmäßig aktiviert und Sicherheitsfunktionen können nicht ausgeschaltet werden. Die Anmeldung erfolgt über die kennwortlose Authentifizierung mit Microsoft Entra ID und der Microsoft-Authenticator-App oder USB-Sicherheitsschlüssel. Zudem lässt sich Windows 365 Link mithilfe von Microsoft Intune zusammen mit anderen PCs verwalten. Nach dem ersten Einschalten konfiguriert, bleibe er automatisch auf dem neuesten Stand.

Das Gerät befindet sich derzeit in der Vorschau und soll ab April 2025 „in ausgewählten Märkten“ verfügbar sein. Als Preis gibt Microsoft 349 Dollar an, zusätzlich fallen noch monatliche Pauschalgebühren für Windows 365 an.

Total Recall – auf Copilot+ PCs

Auch für die Copilot+ PCs kündigte Microsoft ein Upgrade an: Anstatt Inhalte mühsam zu suchen, können Nutzer der mit einer NPU ausgestatteten, neuen Rechnerkategorie einfach beschreiben, was sie benötigen. Die neue Recall-Funktion (aktuell in der Vorschau) ermögliche es, selbst mit vagen Details Dateien, Notizen oder Projekte blitzschnell aufzufinden, verspricht Microsoft.

Einen umfangreichen Überblick über sämtliche Ankündigungen bietet Microsoft im „Book of News“.

VNC

Der Umgang mit KI treibt nach Meinung von Andrea Wörrlein, Geschäftsführerin von VNC in Berlin und Verwaltungsrätin der VNC AG in Zug, teilweise seltsame Blüten. In ihren Augen wird die Technologie zum einen als Motor einer schönen neuen Welt mystifiziert, zum anderen wiederum als apokalyptische Gefahr verteufelt.

Für Wörrlein ist KI schlicht und einfach eine neue, wenn auch höchst anspruchsvolle Technologie. Und wir alle müssten lernen, sinnvoll damit umzugehen. Und dafür sei jeder selbst verantwortlich.

KI – weder gut noch böse

Wie jede neue Technologie sei KI von sich aus weder gut noch böse, erklärt sie. Diese Dimension ergebe sich erst aus der Art und Weise, wie wir sie nutzen. Bei Künstlicher Intelligenz ist das nicht anders.

So unterscheide sich KI nicht von anderen bahnbrechenden Entwicklungen wie der Bändigung des Feuers oder der Nutzung der Atomenergie. Wie diese eröffne KI bislang ungeahnte Möglichkeiten.

KI muss in die Lehrpläne der Schulen

„Eine Entwicklung, die uns dann folgerichtig auch vor bisher unbekannte Herausforderungen stellt. Unabhängig davon, ob sie nun technischer, wirtschaftlicher, rechtlicher, politischer, moralischer oder ethischer Natur sind, oft müssen wir praktisch bei null anfangen“, so die Managerin. „Dem müssen wir uns stellen“, lautet ihr Appell.  

Vor diesem Hintergrund bemängelt sie, dass der Begriff der Technologiefolgenabschätzung ebenso in Vergessenheit geraten ist wie die Anwendung. Ein erster Schritt wäre für Wörrlein beispielsweise, KI als obligatorisches Lernfach in die Lehrpläne einzuführen. Zum Stundenplan sollten neben der Kenntnisvermittlung über die elementaren Funktionsweisen von analytischer, prädiktiver und generativer KI auch konkrete Hinweise für ihre verantwortungsvolle Anwendung gehören.

Proprietäre KI

Und das gelte nicht nur in Schulen, sondern für uns alle. Denn niemand entbinde uns von der Pflicht, uns mit einer so elementaren Kulturkompetenz kritisch zu befassen und entsprechende Fertigkeiten zu entwickeln.

Bei KI gehe es in erster Linie um zwei elementare Dinge: Daten und Modelle. Der Kern generativer KI-Systeme sind die Sprachmodelle oder Large Language Models (LLMs). Doch die sind in der Regel an proprietäre Strukturen gebunden. So sei ChatGPT exklusiv nur über die Azure-Plattform zugänglich, kritisiert die Geschäftsführerin.

KI in Eigenregie – der bessere Weg

Das Kalkül dahinter ist in ihren Augen klar: Die Daten landen automatisch beim Plattform-Betreiber und können zum ständigen Finetuning der LLMs genutzt, analysiert und weiterverwendet werden. So entstehen Abhängigkeiten. Proprietäre Plattformen sollten daher von vornherein gemieden werden, um den Abfluss von Daten und deren unkontrollierte Nutzung zu verhindern.

Der bessere Weg ist für sie, LLMs herunterzuladen und auf eigener Hardware zu nutzen. Auf diese Weise würden Nutzer und Unternehmen die Kontrolle über ihr geistiges Eigentum behalten.

Missbrauch auf proprietären Plattformen

Damit dies funktioniert, müsse allerdings eine eigene KI-Kompetenz aufgebaut und strukturiert damit umgegangen werden. Ferner sei sehr genau darauf achten, welchen Modellen die eigenen sensiblen Daten überlassen werden. Das gilt sowohl für den privaten als auch den beruflichen Bereich.

Wenn vertrauliche Unternehmensinformationen auf proprietären Plattformen bearbeitet werden, ist Missbrauch vorprogrammiert, mahnt Wörrlein. Unternehmen sollten also ein hohes Eigeninteresse haben, ihre Mitarbeiter im Umgang mit Daten und Modellen zu schulen.

Eigenverantwortung statt Regulierung

Zudem sollten wir uns vor einer Illusion hüten. Staaten, Regierungen und Behörden, so die Managerin, werden uns diese Aufgabe nicht abnehmen und alles für uns regeln. Niemand schütze uns davor, dass beispielsweise die Kombination aus Sentiment Analysis und öffentlicher Kameraüberwachung, wie sie in China und einigen europäischen Staaten schon üblich ist, in staatlicher Hand zu einem gefährlichen Machtinstrument wird.

Wer zulässt, dass die eigene Datensouveränität untergraben wird, hat schon verloren, so ihre Schlussfolgerung. Deshalb sollten wir uns aktiv und kritisch mit KI auseinandersetzen und den Umgang damit erlernen wie mit einem spannenden neuen Werkzeug. Daraus folgert die Managerin: „Wir stehen also alle gemeinsam erneut vor der Frage, ob wir eine revolutionäre Technologie kreativ und produktiv zum Wohle der Menschheit nutzen oder uns von ihr beherrschen lassen.“

In den nächsten 15 Jahren gehen über zwölf Millionen Menschen in Rente, gleichzeitig führt der technologische Fortschritt dazu, dass sich Berufe stark wandeln. In absehbarer Zeit werden sich laut dem World Economic Forum fast die Hälfte aller heute benötigten Skills von Arbeitnehmenden verändern. Zu den neuen Anforderungen gehören dann kreatives und analytisches Denken, technische Kompetenzen, die Bereitschaft für lebenslanges Lernen und Fähigkeiten zur Selbstwirksamkeit. 

Personalverantwortliche müssen strategisch überlegen, welchen Bedarf das eigene Unternehmen in Zukunft hat und daraus Anforderungsprofile für die Personalplanung ableiten. Nur so können sie gezielt am Markt rekrutieren und Personal weiterentwickeln. Doch es geht nicht nur darum, die richtigen Leute an den richtigen Platz zu bringen, sondern auch in die richtigen Teams und Projekte einzubinden. Betriebe mit gemischten Führungsteams – bezogen auf geschlechtliche, ethnische, kulturelle und fachliche Aspekte –, mehr Frauen in Führungspositionen und einer inklusiven Kultur sind nachweislich überdurchschnittlich profitabel.  

Der höhere Frauenanteil kann den Profit sogar mehr als verdoppeln. Außerdem führt er zu einem steigenden Anteil an Frauen im Unternehmen insgesamt und auch dazu, dass mehr Talente gewonnen und gebunden werden. Er wirkt sich zudem positiv auf eine ganzheitliche und nachhaltige Unternehmensführung aus. Dabei gilt: Je früher mit dem Aufbau von Talenten begonnen wird, um anstehende Positionen zu besetzten, desto erfolgreicher sind sie später. 

Kastrati – Nagarro

Daten- und faktenbasiert entscheiden

Damit die besten Leute in den Führungsetagen landen und diverse Teams entstehen, sollten Personalverantwortliche auf fundierte Kriterien vertrauen, und die liefern Big Data und Analytics. Durch die Erhebung und Auswertung großer Datenmengen können Personalverantwortliche schneller bessere personalwirtschaftliche Entscheidungen treffen, die nicht (nur) auf Intuition und Erfahrung basieren. Außerdem können sie durch den Einsatz statistischer Verfahren, Algorithmen und maschinellen Lernens leichter Zusammenhänge und Muster herstellen und damit Vorhersagen über künftige Entwicklungen und Szenarien treffen. 

Das Problem: Ein Großteil der Unternehmen nutzt seine Daten weiterhin kaum. Vor allem das Personalwesen ist nach wie vor einer der am wenigsten datengetriebenen Unternehmensbereiche und oft werden Potenziale noch nicht voll ausgeschöpft. Während Daten in taktisch-operativen Bereichen wie HR-Reporting und -Controlling eher genutzt werden, gibt es im strategischen Bereich People Analytics noch Nachholbedarf. Die meisten verwenden Stammdaten, um die täglichen Abläufe effizient zu gestalten und vorhandene Ressourcen optimal einzusetzen. Aspekte wie Mitarbeiterzufriedenheit und Talententwicklung bleiben häufig außen vor. 

Das ist zum einen der Unsicherheit im Umgang mit vertraulichen, sensiblen Daten, zum anderen einer Reihe struktureller Probleme geschuldet. In der Regel liegen im Unternehmen viele Daten vor, jedoch auf unterschiedlichen Systemen und aus verschiedenen Quellen, was ihre Verknüpfung erschwert. „Hinzu kommt das Silo-Denken in vielen Unternehmen. Jede Abteilung wertet, wenn überhaupt, ihre eigenen Kennzahlen aus und betrachtet diese losgelöst von anderen. Dadurch lassen sich keine Zusammenhänge feststellen“, erklärt Viole Kastrati, Senior Consultant SAP – BI & Analytics bei Nagarro. 

Das Problem wird größer, wenn neue Anforderungen hinzukommen. Zum Beispiel Mindestquoten, Beteiligungsangebote und die Pflicht zur Festlegung individueller Zielgrößen für bestimmte Unternehmen, um Gleichberechtigung in Führungspositionen herzustellen. Auch das Personalwesen muss hier einen Beitrag zur transparenten Berichtspflicht leisten.  

Häufig ist aber nicht klar, wo die für das Reporting benötigten Daten überhaupt liegen und in welcher Qualität sie vorhanden sind. „Oft ist die Datenqualität nicht ausreichend, um verlässliche Aussagen zu treffen. Unzureichende oder falsche Daten führen sogar zu Fehlentscheidungen“, meint Kastrati. Auch der manuelle Aufwand, um Daten zu konsolidieren und bereinigen sowie die Mehrkosten sind nicht zu unterschätzen. 

Nagarro

In vier Schritten zur ganzheitlichen Analyse

Der erste Schritt zur Besserung ist, eine Datenbank einzuführen und diese mit Daten aus den verschiedenen Quellen zu beladen. Gibt es bereits eine Datenbank, müssen die vorliegenden Daten getestet und korrigiert werden. Am besten fängt man mit dem Personalbestand an, danach folgen die Abrechnungsdaten, die Zeiterfassungsdaten und später die Daten über die Personalentwicklung. 

Anschließend sollte das Reporting ordentlich aufgestellt werden. Es stellt sicher, dass alle relevanten Daten und Informationen konsolidiert, ausgewertet und in einer übersichtlichen Form präsentiert werden. Ein solides Reporting liefert transparente, einheitliche und kombinierte HR-Kennzahlen, die für die strategische Planung, das Risikomanagement und die Steuerung von Personalmaßnahmen unerlässlich sind. Kastrati: „Ohne ein systematisches und kontinuierliches Reporting ist es nahezu unmöglich, ein vollständiges Bild der Personalsituation zu erhalten und darauf basierend fundierte Entscheidungen zu treffen.“ 

Ein wichtiger Aspekt der Personalplanung ist die Identifikation von Lücken zwischen dem aktuellen Personalbestand und dem zukünftig erwarteten Bedarf. Diese Analyse erfordert eine präzise Untersuchung der vorhandenen Belegschaft, die Faktoren wie Altersstruktur, Qualifikationen und Fluktuationsraten umfasst. Nur durch eine detaillierte Betrachtung dieser Elemente können Unternehmen sicherstellen, dass sie optimal auf zukünftige Herausforderungen vorbereitet sind.  

Ein erfolgreicher Personalplan ist eng mit der Personalkostenplanung verknüpft und deshalb sollten sich Firmen diese drei Fragen beantworten: 

• Zukünftige Unternehmensziele: Welche Wachstumsziele hat das Unternehmen? In welchen Bereichen ist mit einem höheren oder niedrigeren Personalbedarf zu rechnen? Die klare Definition dieser Ziele ermöglicht es, gezielte Personalstrategien zu entwickeln, die die Unternehmensvision unterstützen. 

• Veränderungen am Arbeitsmarkt: Wie entwickelt sich die Verfügbarkeit qualifizierter Fachkräfte? Welche aktuellen Trends sind relevant? Ein tiefes Verständnis der Marktbedingungen ist entscheidend, um talentierte Mitarbeiter zu gewinnen und zu halten. 

• Interne Entwicklungen: Welche Mitarbeiter gehen in den Ruhestand? Wo gibt es Potenzial für interne Umstrukturierungen oder Weiterentwicklungen? Diese Faktoren müssen in die Personalplanung einfließen, um frühzeitig auf bevorstehende Veränderungen reagieren zu können. 

Im Anschluss sollten Unternehmen die Maßnahmen durch ein Monitoring überprüfen und anpassen. 

Index-Barometer schafft Übersicht

Angesichts der Vielzahl an geforderten Kennzahlen wird schnell deutlich, wie wichtig ein Gesamtüberblick und ein roter Faden in der Planung und Auswertung ist. Dafür sollten die Kennzahlen sinnvoll verknüpft und zusammengeführt werden. Eine zentrale Maßnahme dabei ist die Definition und Visualisierung von Steuerungs- und Überwachungskennzahlen. Ein bewährtes Mittel zur effektiven Darstellung der komplexen Kennzahlen, Maßnahmen und Risiken eines Personalplans ist der Einsatz von Indexbarometer-Dashboards, die eine intuitive Visualisierung bieten.  

Nagarro

Solche Dashboards sollten drei Ansichten umfassen: die Überblickansicht, um schnell den aktuellen Stand zu erfassen, die Analyseansicht, um Trends und Zusammenhänge zwischen verschiedenen Kennzahlen zu erkennen und die Ursachen für bestimmte Ergebnisse ermitteln, sowie die Detailansicht, um spezifischen Nutzeranforderungen gerecht zu werden.  

Darüber hinaus bietet die Einführung moderner Tools zahlreiche Funktionen, die speziell für das Personal-Controlling von Vorteil sind: Echtzeitanalysen, anschauliche Visualisierungen, integrierte Planungen und Prognosen, etwa zu Gender Gaps, dem Frauenanteil in Führungspositionen oder veränderten Altersstrukturen. Mithilfe von Predictive Analytics, unterstützt durch maschinelles Lernen, lassen sich zukünftige Entwicklungen im Personalbereich präzise vorhersagen, was eine proaktive Reaktion auf potenzielle Engpässe ermöglicht. Kastrati: „Der Arbeitsmarkt wird sich noch stärker als heute verändern. Schlüsselpositionen zu definieren, bestimmte Indikatoren zu beobachten und Maßnahmen im Einklang mit der Unternehmensstrategie zu ergreifen, wird für den Erfolg immer wichtiger. Big Data und Analytics bieten dabei eine wertvolle Stütze.“ 

Seit Ende November 2020 sind Unternehmen dazu verpflichtet, Rechnungen an öffentliche Auftraggeber des Bundes ausschließlich in elektronischer Form über das Zentrale Rechnungseingangsportal des Bundes einzureichen. Mit dem Jahr 2025 beginnt die Umstellung nun auch im B2B-Bereich: Unternehmen sind ab dem ersten Tag des neuen Jahres verpflichtet, verschiedene elektronische Rechnungsformate empfangen und verarbeiten zu können. Und auch im Rechnungsausgang müssen schon bald E-Rechnungen genutzt werden. Die entsprechenden umsatzsteuerrechtlichen Grundlagen dafür wurden im März 2024 mit dem Wachstumschancengesetz gelegt.

Viele größere Unternehmen haben das E-Invoicing bereits im Griff. Kleinere Unternehmen tun sich mit der Umstellung von PDF-Dateien auf E-Rechnung häufig noch schwer. Welche rechtlichen und technischen Vorgaben zur E-Rechnung aktuell gelten und welche Formate und Übergangsfristen gleichzeitig zu beachten sind, erfahren Sie im COMPUTERWOCHE Webcast in Zusammenarbeit mit Comarch. Paula Müller und Mirjana Stanisic-Petrovic zeigen Ihnen, welche Schritte jetzt notwendig sind, um Rechts- und IT-Sicherheit rechtzeitig für eine effiziente Implementierung in Einklang zu bringen.

Die beiden Comarch-Expertinnen präsentieren außerdem erstmalig eine Marktstudie des Fraunhofer Instituts für Arbeitswirtschaft und Organisation (IAO) vor, die in Zusammenarbeit mit Comarch zur Umsetzung der E-Rechnung erhoben wurde. Die Umfrage gibt Aufschluss darüber, welche E-Rechnungs-Formate und Känale bei großen deutschen Unternehmen beliebt sind und welche Erwartungen, Hürden und Strategien zur Umsetzung der E-Rechnung in Organisationen vorherrschend sind. Der Fachjournalist Dr. Oliver Janzen wird den Webcast moderieren.

Foto: GaudiLab – shutterstock.com

Bereits im Herbst 2022 hat das Bundesarbeitsgericht (BAG) in einem Urteil klargestellt, dass die vom EuGH 2019 ausgegebene Verpflichtung, ein “objektives, verlässliches und zugängliches System” zur Erfassung der täglichen Arbeitszeit ihrer Mitarbeiter einzuführen, besser bekannt als Stechuhr-Urteil, bereits jetzt gilt. Allein die geleisteten Überstunden aufzuschreiben, genügt nicht mehr.

Auch wenn der Gesetzgeber die Vorgaben des EuGH bislang noch nicht in nationales Recht verwandelt und Details zur Umsetzung festgelegt hat – die oft befürchtete Rückkehr zur Stechuhr wird in den meisten Fällen sicher nicht stattfinden. Das Corona-bedingte Home-Office und die anschließend nur zögerliche Rückkehr an den Büroarbeitsplatz – Stichwort Hybrid Work – haben dazu geführt, dass Zeiterfassungsterminals nur noch bedingt sinnvoll sind – zumindest sind sie allein nicht ausreichend.

Eleganter und praktischer ist es, wenn die Aufzeichnung der geleisteten Arbeitszeit händisch durch den Arbeitnehmer erfolgt – natürlich nicht auf einem Stundenzettel, sondern digital über eine der zahlreichen, teilweise kostenlosen Tools und Apps, die es mittlerweile für die Arbeitszeiterfassung gibt. Wir haben die besten Lösungen für Sie zusammengestellt.

Arbeitszeit erfassen mit Excel

Der Spruch “Wenn man nur einen Hammer hat, sieht alles wie ein Nagel aus” trifft sicher auch auf die Arbeitszeiterfassung in Excel zu. Das Web ist voll mit Anleitungen und größtenteils kostenlosen Vorlagen für Arbeitszeittabellen auf Basis der Software. Außerdem sorgen zahlreiche Excel-Profis dafür, dass auch knifflige Details wie regionale Feiertage, Kurzarbeit, Gleitzeit oder Wochenendarbeit Eingang finden.

Foto: Steffen Hanske

Womit man bereits am Ende der Vorteile angelangt ist. Als Nachteile stehen ganz klar die schlechte Bedienbarkeit, insbesondere bei der Nutzung unterwegs und an mobilen Endgeräten an erster Stelle. Außerdem kann es bei der Nutzung in größeren Unternehmen sehr schnell sehr unübersichtlich werden – zumindest für Personalabteilung oder Buchhaltung. Zudem ist es sehr einfach, die Daten zu manipulieren – ein Problem, das es allerdings auch bei der Vertrauensarbeitszeit gibt.

Vorlagen für die Zeiterfassung in Excel gibt es zuhauf im Web. Da es sich dabei um keine Raketenwissenschaft handelt und die Anforderungen überschaubar sind, fällt es schwer, Empfehlungen zu geben. Zuverlässig funktioniert auf jeden Fall das Sheet für Excel, LibreOffice und OpenOffice von Steffen Hanske.

Apps für die Arbeitszeiterfassung

Deutlich eleganter und praktikabler als ein Excel Sheet ist natürlich eine mobile App. Die Vorteile der Zeiterfassung via Smartphone liegen auf der Hand: Mit dem Handy als ständigen Begleiter kann man auch unterwegs einfach seine Arbeitsstunden eintragen, ohne extra den PC anzuwerfen oder die Zeiten später aus dem Gedächtnis nachtragen zu müssen. Außerdem erlauben es die meisten Zeiterfassungs-Apps, die Arbeitszeit mit einer Start-, Stop- und Pausentaste minutengenau zu erfassen. Einige unterstützen sogar ein standortbezogenes Ein- und Ausloggen über die Koordinaten (Geofencing) oder via NFC Tag. Auch Erweiterungen für Wearables (Apple Watch) sind teilweise verfügbar. Hier einige empfehlenswerte Apps:

Stempeluhr 2.1

Mit der kostenlosen App Stempeluhr 2.1 von Matthias Lenkeit kann man einfach per Druck auf eine der drei Felder Beginn, Pause und Ende der Arbeitszeit erfassen. Auch das Ein- und Auschecken via NFC Tag ist möglich. Die App glänzt zwar nicht unbedingt durch ihre graphische Benutzeroberfläche, sie bietet jedoch vielfältige Einstellungsmöglichkeiten, um auf einfache Art die eigenen Arbeitszeiten zu erfassen.

Foto: Matthias Lenkeit

Auch an den Export wurde gedacht: Monats- und Wochenberichte können ausgedruckt oder als PDF / Excel-Datei exportiert und per E-Mail oder weiteren Programmen versendet werden. Außerdem wird der Datenschutz groß geschrieben: Die App erhebt keine Nutzerdaten oder gibt sie weiter. Einziges Manko: Stempeluhr 2.1 gibt es nur für Android.

atWork

Obwohl primär für Freiberufler oder Selbständige gedacht, eignet sich atWork von Sergej Steinbach auch für Festangestellte – insbesondere solchen, die an mehreren Projekten arbeiten. Die für iPhone (ab iOS 12), Mac (ab MacOS 11 und M1-Chip) und Apple Watch verfügbare App ist in der Basisversion kostenlos, allerdings kommt man in der Praxis kaum über per In-App-Käufe angebotene Funktionen wie Arbeitszeitplan, Sondertage, Datenexport (jeweils 2,99 Euro) oder unbegrenzte Einträge (1,99 Euro) aus.

Foto: Sergej Steinbach

Die App unterstützt neben einer automatischen standortbasierten Zeiterfassung (Erweiterung für 2,99 Euro) auch Siri-Kurzbefehle. Außerdem kann man die wichtigsten Funktionen auch einfach über die Apple Watch erledigen. Auch bei atWork erfasst der Entwickler keinerlei Nutzer-Daten.

FlexLog

Für Android und iOS verfügbar ist die Zeiterfassungs-App FlexLog von Tobias Hauß. Die in der Basisversion kostenlose App ermöglicht es Nutzern, schnell und einfach ihre Arbeitszeit zu erfassen. Wichtige Funktionen wie ein Überblick über Pausen oder der Export als CSV-Datei kosten jedoch. Darüber hinaus kann man über In-App-Käufe weitere praktische Features nutzen.

Foto: Tobias Hauß

Dazu zählt die FlexLog genannte Erinnerungsfunktion, um basierend auf dem Verhalten das Ein- und Ausloggen nicht zu vergessen. Außerdem gibt es gegen Aufpreis Widgets für den Homescreen als Addon.

Hybride Zeiterfassungssysteme

Timeular ZEI

Timeular ZEI schießt zwar deutlich über das Ziel hinaus, die Arbeitszeit zu erfassen, um den gesetzlichen Anforderungen zu entsprechen – löst das Problem aber sehr elegant. Die Lösung ist ideal für Menschen, die an mehreren Projekten gleichzeitig arbeiten oder Probleme mit ihrer Work-Life-Balance haben. Oder einfach vergessen, dass sie bereits seit einer Stunde arbeiten.

Timeular besteht aus einem achtseitigen Würfel mit Lagesensor, der per Bluetooth mit einem Smartphone oder Computer verbunden wird – sowie einer dazugehörigen Software. Jeder der acht Würfelseiten lässt sich einer bestimmten Tätigkeit oder einem Projekt zuweisen – anschließend erfasst die dazugehörige App automatisch die Zeit für den Task der Würfelseite, die nach oben zeigt. Geht man einer anderen Beschäftigung nach oder macht eine Pause, dreht man den Würfel einfach auf die entsprechende Seite.

Neben der Erfassung der Tages- und Wochenstunden in einem Report lassen sich die gesammelten Informationen – je nach Plan und Intention – in vielfältiger Weise nutzen. Mitarbeiter und deren Manager erhalten einen besseren Überblick, wie viel Zeit für bestimmte Projekte tatsächlich anfallen und entsprechend planen. Außerdem können die Daten natürlich als CSV, PDF oder Excel-Datei exportiert oder in Tools wie Slack oder Jira geteilt werden. Auch selbst erstellte Integrationen sind dank Timeular API möglich.

Mit gut 80 Euro für den Würfel und einem Abo ab 6,30 Euro pro Monat (Team-Abo 14,60 Euro pro Monat und Nutzer) ist die Lösung allerdings nicht ganz billig. Die Effizienzgewinne fallen aber sicher deutlich höher aus, wenn die Nutzer die Vorteile von Timeular erkennen und den Würfel nicht links liegen lassen. Ganz unproblematisch ist die Lösung nämlich angesichts der zusätzlichen Einblicke in das Tätigkeitsprofil nicht – Stichwort Mikromanagement.

timeBuzzer

In die gleiche Richtung wie der Timeular-Würfel geht der timeBuzzer. Die vorwiegend aus Quizshows bekannte Taste hilft, die Arbeitszeiten in Echtzeit zu erfassen und einem speziellen Projekt oder Kunden zuzuordnen. Beim Timebuzzer erfolgt die Zuordnung elegant durch Drehen der Knopf, woraufhin ein Licht in der ausgewählten Farbe leuchtet.

Auch hier ist die gleichnamige Hardware nur ein – optionaler – Teil einer umfassenderen Lösung, bestehend aus einem Dashboard und Apps für mobile Endgeräte, Web und PC. timeBuzzer bietet dabei zahlreiche Integrationsmöglichkeiten, etwa in Asana, Slack, Trello oder diverse Office-Anwendungen, über die sich Arbeitsabläufe schnell automatisieren lassen. Das Ganze hat mit 8 Euro pro Nutzer und Monat natürlich seinen Preis, der Buzzer selbst kostet pro Stück 59 Euro.

Foto: Kishore Newton | shutterstock.com

JSX bietet die Möglichkeit, HTML-Code innerhalb von JavaScript zu schreiben. Dabei fühlt es sich allerdings eher danach an, als würde man JavaScript innerhalb von HTML nutzen. Als Templating-Sprache wird sie von einigen Entwicklern geliebt und von anderen verabscheut. In diesem Artikel lesen Sie, wie JSX funktioniert – und warum es von Bedeutung ist.

Templates erstellen mit JSX

Eingeführt wurde JSX (JavaScript Syntax Extension) als Templating-Sprache für das populäre React-Framework. Sie ermöglicht, die Struktur einer Anwendungsansicht mit HTML-Markup zu definieren, das mit dem JavaScript-Kontext der Anwendung interagiert. Inzwischen ist JSX der Defacto-Standard für reaktive Templating-Engines – und hat zahlreiche andere inspiriert (Vue, Svelte, Angular). Der eben beschriebene Grundgedanke von JSX bricht mit der Konvention, Ansicht (View) und Verhalten (Behavior) voneinander zu trennen. Das ist auch ursächlich für die gespaltene Entwickler-Community, wenn es um JSX geht.

Unabhängig von dieser prinzipiellen Kontroverse fokussieren wir uns in diesem Artikel darauf, zu verstehen, wie JSX zu verwenden ist. Im Folgenden sehen Sie, wie JSX in einer React-Anwendung aussieht (zur Live-Version):

import React from 'react';
export function App(props) {
  return (
    

      
Greetings from InfoWorld
      
This is some JSX
    
  );
}

Wenn Sie die Inhalte innerhalb von

export function App(props) {
  let [name, setName] = React.useState("User");
  return (
    

      
Greetings from InfoWorld
      
Hello {name}
    
  );
}

    
Greetings from InfoWorld
    

    
{breeds.map((breed) => {
    return 
{breed}
;
  })}

{breeds.map((breed) => 
{breed}
 )}

{breeds.map((breed) =>
  
{
    breed.breedInfo ? breed.name + ": " + breed.breedInfo : breed.name}
 )}

      
Greetings from InfoWorld
      

      { breeds.length > 0 && <>
        
{breeds.map((breed) => 
{breed.breedInfo ? breed.name + ": " + breed.breedInfo : breed.name}
 )}
        
      }
    

let [breeds, setBreeds] = React.useState([
    {name:'Shih Tzu',breedInfo:'Pekanese and Lhasa Apso cross',link:'https://en.wikipedia.org/wiki/Shih_Tzu'},
    {name:'Labradoodle', link:'https://en.wikipedia.org/wiki/Labradoodle'},
    {name:'Vizla',breedInfo:'Hungarian breed'},
    {name:'Catahoula'}
  ]);
  const handleBreedClick = (wikiLink) => {
    window.open(wikiLink, '_blank');
  };
  return (
    

      
Greetings from InfoWorld
      

      { breeds.length > 0 && <>
        

          {breeds.map((breed) =>
            
 handleBreedClick(breed.link)}>{breed.breedInfo ? breed.name + ": " + breed.breedInfo : breed.name}
            
          )}
        
        
      }
    
  );

const listItemStyle = {
    cursor: 'pointer',
    margin: '10px 0',
    padding: '5px',
    backgroundColor: '#f5f5f5',
    border: '1px solid #ccc',
    borderRadius: '5px',
  };
// … same