Im Gespräch mit Stéphane Estevez von Splunk

Mit AIOps können IT-Abteilungen ein proaktives Management von Aufgaben im Bereich IT-Operations einführen. Von jetzt auf gleich lässt sich so eine Lösung aber nicht gewinnbringend einführen.

Kritische Faktoren dabei sind vor allem die Qualität der Daten und die Integration der Informationsbestände, berichtet Stéphane Estevez, Spezialist IT-Operations bei der Datenplattform Splunk, im Gespräch mit com! professional.

com! professional: AIOps ist ein weites Feld. Wo sieht Splunk die wichtigsten Einsatzmöglichkeiten für KI im IT-Betrieb?

Stéphane Estevez: Das Ziel ist es, mit Hilfe von AIOps eine Vielzahl von IT-Betriebsprozessen und -aufgaben zu verbessern und teilweise zu ersetzen, einschließlich Verfügbarkeit und Leistungsüberwachung, Korrelation und Analyse von Ereignissen sowie Automatisierung von Prozessen. Bei Splunk wollen wir das Potenzial all dieser Daten nutzen, um geschäftsrelevante Ergebnisse zu erzielen. Der Schlüssel liegt in einem Zugriff auf alle Daten, inklusive Dark Data (bislang ungenutzte Daten) und einer vereinfachten Datenanalyse.

Estevez: Ja, maschinelles Lernen kann helfen, Geschäftsprozesse abzubilden, zu visualisieren und zu verbessern. Kombiniert man die Datenquellen von IT-Operations und von Applikationen, erhält man einen leistungsstarken Ansatz für das Business Process Mining, der dazu beitragen kann, Ausfälle und Engpässe zu vermeiden und die Prozessleistung zu verbessern.

Estevez: Durch die Verbindung von Maschinendaten und ma­schinellem Lernen zur Klassifizierung, Korrelation, Vorhersage, Anomalie-Erkennung und Ursachenanalyse bekommt man einen intelligenten Ansatz für AIOps und schafft eine moderne IT-Organisation. IT-Teams sind damit dann in der Lage, Betriebsstörungen proaktiv und in Echtzeit zu verhindern beziehungsweise zu beheben.

Estevez: Alle neuen technologischen Trends neigen dazu, am Anfang einen gewissen Widerstand zu erzeugen. Obwohl maschinelles Lernen seit vielen Jahrzehnten diskutiert wird, sehen wir erst jetzt erste Anwendungen in Unternehmen und ziehen klare Vorteile daraus.

com! professional: Können Sie ein deutsches Unternehmen nennen, das die AIOps-Lösung von Splunk einsetzt?

Estevez: Ein Beispiel ist unser Kunde Zeppelin. Das Unternehmen hat mit unserem Machine-Learning-Toolkit ein Anomalie-Erkennungsmodell entwickelt, um Ausfälle von Zündkerzen zu prognostizieren. Dies wirkt der Hauptursache für das Abschalten von Kraftwerken entgegen. Die im AIOps-System bereits vorhandenen Algorithmen und die einfache Implementierung des Machine-Learning-Toolkits ohne Programmierung von Codezeilen haben sich als großer Vorteil für das Team von Zeppelin erwiesen. Mit Hilfe von Automatisierung werden Inkonsistenzen bei der Reaktion auf Probleme reduziert, schwer zu behebende Fehler beseitigt und Ressourcen geschont. Denn die IT-Abteilung kann sich fortan auf Analyse und Optimierung der Prozesse konzentrieren - ein echter Gewinn für das Unternehmen.

com! professional: Welche Herausforderungen sieht Splunk bei der Implementierung und beim praktische Einsatz von AIOps?

Estevez: Es gilt ein wichtiger Grundsatz: Nichts ist möglich ohne eine gute Datenqualität. Erst die schafft die Grundlage dafür, anhand von Daten geschäftsrelevante Entscheidungen und Handlungen zu initiieren und durchzuführen. Wir haben Tausende von Kunden weltweit. Im Allgemeinen fällt es ihnen schwer, auf alle ihre Daten zuzugreifen. Viele Unternehmen versuchen, die Informationen in einer riesigen Datenbank zu strukturieren. Aber dieser Ansatz ist nicht für heutige Bedingungen in komplexen und vernetzten IT-Umgebungen ausgelegt.

Estevez: Die Daten vorab zu strukturieren ist schlicht unmöglich, angesichts des enormen Volumens, der Vielfalt und der hohen Geschwindigkeit, in der Daten generiert werden. In dem Moment, in dem der IT-Verantwortliche seine Daten strukturiert, verliert er die Möglichkeit, Fragen anzupassen und künftig neue Fragen zu stellen und entsprechende Antworten zu erhalten. Dazu müsste er die Daten immer wieder neu strukturieren, etwa wenn sich eine Datenquelle ändert oder er dem IT-Stack eine neue Technologieschicht hinzufügt. Viele Unternehmen konsolidieren und aggregieren Daten und ermitteln Durchschnittswerte, wodurch die Datentreue beeinträchtigt wird. Eine moderne AIOps-Plattform sollte jedoch in der Lage sein, große Datensätze aller Art aus der gesamten Umgebung zu erfassen und gleichzeitig die Datentreue für eine umfassende Analyse beizubehalten.

Estevez: Zwar gibt es viele Optionen, Daten in eine AIOps-Lösung zu integrieren, grundsätzlich zeigt sich aber: Je mehr Add-ons wie Apps oder Integrationen vorhanden sind, desto besser. Add-ons helfen nicht nur, schneller Daten aufzunehmen, sondern bieten häufig auch vordefinierte Visualisierungen für eine schnellere Wertschöpfung. Zudem helfen solche Erweiterungen, mehr Datenquellen zu erfassen. Es gilt: Je mehr Datenquellen, desto besser ist es. Dabei geht es nicht darum, wie viele Machine-Learning-Algorithmen man verwendet, sondern wie man sie einsetzt und welche Datenquellen man nutzt. Unternehmen benötigen nicht viele Algorithmen, um Anomalien zu erkennen, solange sie diese auf den gesamten Stack anwenden können - von Legacy-Systemen wie Mainframes bis hin zu IoT-Komponenten und nativen Cloud-Apps wie Microservices. Dadurch lassen sich blinde Flecken vermeiden.