AIOps-Elemente

Eine AIOps-Lösung umfasst mehrere zentrale Prozesse. Der erste ist das Sammeln von Daten aus unterschiedlichen Quellen, und dies unabhängig von IT und Netzwerk-Domains. Diese Informationen bereitet das AIOps-System auf und konsolidiert sie. „Technologisch ist die Datenbasis von entscheidender Bedeutung, weniger, dass diese Daten aus unterschiedlichen Quellen kommen“, betont Peter Jürß, Principal IT Architect - Platform Solutions bei Axians IT Solutions, einem weltweit aktiven Dienstleister im Bereich IT und Kommunikationstechnik. „Wenn die Daten unvollständig oder fehlerhaft sind, spielt es keine Rolle, ob ich eine Quelle oder hundert verwende, denn das Ergebnis wird immer fehlerhaft sein.“

Wichtig ist daher laut Jürß, dass Data Scientists und Operations-Mitarbeiter eng zusammenarbeiten, um die Qualität der Daten sicherzustellen. „Es geht nur gemeinsam, denn nur ein Data Scientist kann beurteilen, ob das neuronale Netz einer AIOps-Lösung richtig funktioniert, und nur ein Operations-Mitarbeiter kann beurteilen, ob die Empfehlung des Systems Sinn ergibt.“

Auf einen weiteren Aspekt weist Karsten Flott von AppDynamics hin: „Entscheidend ist, dass alle Informationen an einem Punkt zusammenlaufen. Nur so entsteht eine zentrale Übersicht über sämtliche Assets. Außerdem ist eine hohe Detailtiefe des Monitorings wichtig - bis hinunter auf die einzelne Codezeile.“ Viele Unternehmen scheitern Flott zufolge an dieser Herausforderung, weil sie nicht eine übergreifende Lösung im Einsatz haben, sondern in jedem Fachbereich ein separates Tool einsetzen. „Solche Insellösungen machen die Implementierung von AIOps praktisch unmöglich, da es keine einheitliche und ausreichend detailreiche Datenbasis gibt.“

Im zweiten Schritt der AIOps-Prozesse folgt die Analyse der Daten, die Anwendungen, IT-Systeme und Netzwerkkomponenten bereitstellen. Eine AIOps-Lösung sollte dabei die Daten in einen Kontext einordnen. Sie ermittelt beispielsweise, welche Fehler im Programmcode einer Lösung welche Nutzergruppen tangieren und welche negativen Effekte für deren Produktivität und die Geschäftstätigkeit dadurch entstehen.

Nutzerbezogene Datenmodelle und Analysemethoden, die den IT-Anwender und seine User Experience in den Mittelpunkt stellen, haben laut Riverbed, einem Anbieter von AIOps-Lösungen, einen weiteren Vorteil: Sie geben Aufschluss über eine komplette Transaktion, beispielsweise im Bereich E-Commerce. Ein Online-Anbieter kann nicht nur ermitteln, wie es um die Performance des Shop-Systems aus Sicht des Kunden bestellt ist. Er erhält zudem Informationen darüber, welche Waren der Kunde in seinen virtuellen Einkaufskorb packt und wie oft er den Shop besucht. Diese Daten sind hilfreich, um die Angebotspalette des Shops zu optimieren und um Stammkunden zu identifizieren.

Zu den wichtigsten Kernkomponenten von AIOps-Lösungen zählt eine Machine-Learning-Funktion. Sie erstellt auf Basis der Datenanalysen Handlungsoptionen, die sich automatisch umsetzen lassen. Ein Beispiel ist die Reaktion auf Anomalien wie eine Überlast­situation im Rechenzentrum: „Bei Lastspitzen ist es möglich, automatisch zusätzliche Instanzen bei einem Cloud-Service-Provider hinzuzubuchen und sie anschließend wieder abzustoßen“, berichtet Karsten Flott.

Künstliche Intelligenz und Machine Learning können zudem das IT-Sicherheitsniveau verbessern. „Wenn das Monitoring einen Fehler in einer Komponente entdeckt oder feststellt, dass gegen Compliance-Anforderungen verstoßen wird, gibt die KI-Instanz einer AIOps-Lösung Hilfestellung bei der Suche nach einer Antwort und kann, falls gewollt, automatisch Korrekturmaßnahmen in die Wege leiten“, erläutert Axians-Fachmann Peter Jürß.

Eine Befragung von Nutzern durch den amerikanischen AIOps-Spezialisten OpsRamp ergab, dass mehr als vier Fünftel der IT-Abteilungen (85 Prozent) AIOps dazu verwenden, um Routineaufgaben zu automatisieren. Dadurch, so die Nutzer, haben IT-Experten mehr Zeit, sich um anspruchsvollere Aufgaben zu kümmern. Fast ebenso viele Firmen (80 Prozent) benutzen die Technologie, um die Zahl der Alarme („Alerts“) zu reduzieren und die Ursachen solcher Meldungen zu ermitteln. Zu diesem Zweck setzt die AIOps-Software Alarmmeldungen unterschiedlicher Systeme miteinander in Beziehung und filtert Alerts aus, die mehrfach ausgelöst wurden. Eine solche Root-Cause-Analyse durch KI- und Machine-Learning-Algorithmen zählt zu den Haupteinsatzfeldern von AIOps-Lösungen.

Quasi ein Nebeneffekt ist, dass die Zahl der „Incidents“ (gemeldete Vorfälle) und der entsprechenden Incident Tickets sinkt. Ein Großteil dieser Incidents wird bislang manuell überprüft. Diese Handarbeit entfällt oder lässt sich auf wenige Vorgänge reduzieren. „Dadurch dass AIOps zahlreiche Datenquellen anzapft und korreliert, findet sie auch in komplexen Umgebungen, in denen Administratoren gar nicht alles im Blick haben können, Zusammenhänge und Problem­lösungen“, sagt Peter Jürß von Axians IT Solutions.