- Anzeige -
- Anzeige -
Lesedauer: 8min
AIOps sollte auf der To-Do-Liste jedes Unternehmens stehen

Jun 24, 2020 | Künstliche Intelligenz

Klaus Kurz, Director Solutions Consulting bei New Relic, gibt Einblick in die Relevanz von AIOps für Unternehmen und erklärt, warum Deutschland hier Nachholbedarf hat.
Bild: New Relic Germany GmbH

Vergangenes Jahr führte New Relic eine globale Umfrage unter IT-Entscheidern zur digitalen Transformation durch. Besonders erstaunlich waren die Ergebnisse der deutschen Befragten zum Thema AIOps: Neun von zehn Befragten (88 Prozent) empfinden künstliche Intelligenz und maschinelles Lernen als wichtig oder sehr wichtig für die Aufrechterhaltung digitaler Geschäfte. Doch knapp die Hälfte (49,6 Prozent) weiß mit dem Begriff AIOps nichts anzufangen. Diese Diskrepanz muss beseitigt werden, damit deutsche Unternehmen mit der internationalen Konkurrenz mithalten können und nicht den Anschluss verlieren.

Deutschland gilt – abgesehen von einigen beachtlichen Ausnahmen – bei IT-Innovationen im internationalen Vergleich meist nicht als Vorreiter. Ein Grund dafür ist, dass der deutsche Markt und die Anforderungen der Kunden von Aspekten wie Sicherheit und Qualität geprägt sind. Das sind im Grunde erstrebenswerte Eigenschaften und auf lange Sicht essenziell für den Erfolg einer Anwendung. Der Nachteil ist, dass Design- und Implementierungsprozesse vor diesem Hintergrund oft sehr komplex sind und so dazu führen können, dass Neuheiten hierzulande in der Regel nicht so schnell umgesetzt werden, wie z.B. in Asien oder Nordamerika. Doch der Verzicht auf Adhoc-Implementierungen hat auch seine Vorteile: Wenn neue Technologien und Ansätze in Deutschland zum Einsatz kommen, ist deren Umsetzung generell solide und entspricht höchsten Anforderungen.

Diese eher abwartende Haltung bei Innovationen könnte erklären, warum AIOps in Deutschland leider noch nicht so verbreitet ist wie in anderen Märkten. Die Begriffe künstliche Intelligenz (KI) und maschinelles Lernen (ML) gibt es bereits seit den 1950er Jahren und beide werden in den vergangenen Jahren häufig in den Medien behandelt. AIOps hingegen ist eine Begrifflichkeit, die erst seit etwa fünf Jahren existiert und im Vergleich zu KI und ML nur in einem sehr spezifischen Bereich, nämlich IT-Operations, vorkommt. Daher der Name AIOps: Artificial Intelligence and Machine Learning in IT Operations. Es geht hier darum, mit auf Daten basierenden Modellen eine kontinuierliche Optimierung von IT-Operations-Prozessen zu erzielen und Einblicke in das laufende Geschäft zu gewinnen.

Auch wenn fünf Jahre im IT-Zeitalter eine lange Spange sein mögen, braucht es in der Regel einige Zeit, bis solche Innovationen flächendeckend in Unternehmen implementiert werden. Berücksichtigt man auch die Sicherheits- und Qualitätsansprüche deutscher Unternehmen und die häufige Skepsis gegenüber Neuem, kann man erahnen, warum AIOps hierzulande noch nicht so weit verbreitet ist und man eher zurückhaltend mit der Technologie umgeht. Dabei können eine kurze Markteinführungszeit und die Geschwindigkeit von datengetriebenen Modellen einen entscheidenden Wettbewerbsvorteil liefern. Künstliche Intelligenz ermöglicht IT-Operations schnellere Auswertungen, geringere Ausfallzeiten und dadurch minimierte Geschäftskosten.

Bislang vertrauen zahlreiche Unternehmen dafür auf IT-Monitoring. Dadurch kann man zu jedem beliebigen Zeitpunkt den Zustand des Systems einsehen und Problematiken frühzeitig erkennen und ihnen entgegenwirken. Bei komplexen IT-Umgebungen wird aber schon die schiere Menge an Benachrichtigungen, ausgelöst durch das Monitoring, zum Problem und es wird schwierig, den Überblick zu bewahren – geschweige denn die zentralen Problemursachen zu finden und zu beheben.

Wenn beispielsweise eine Datenbank ausfällt, die von 10 Nodes eines Kubernetes-Clusters genutzt wird und in diesen 10 Nodes jeweils 20 Container laufen, dann bekommt das IT-Team zwangsläufig 200 Fehlermeldungen. Im Anschluss gilt es schnellstmöglich die Fehlerursache zu bestimmen. Dafür ist es nötig, die Monitoring-Daten zu analysieren, in Kontext zu setzen und zu kuratieren. Nutzt man eine AIOps-Lösung übernimmt das die künstliche Intelligenz. Das maschinelle Lernen trainiert dann die Algorithmen und optimiert sie auf spezifische Anforderungen hin. Die Grundlage des maschinellen Lernverhaltens sind große Datenmengen und je größer die Datenmenge, umso qualitativ höher sind die Ergebnisse.

Bei New Relic nennen wir das ‚Observability‘: Das Monitoring liefert den Fehler, quasi das „Was“. Observability dagegen liefert die Fehlerursache, also das ‚Warum‘. So werden Fehler schneller entdeckt, behoben und Ausfälle auf ein Minimum reduziert, was im Endeffekt das Kundenerlebnis optimiert. Allerdings gibt es diverse AIOps-Lösungen auf dem Markt. Bei einigen ist die Einführung mit einem erheblichen Zeitaufwand und veränderten Arbeitsabläufen verbunden. Dies kann Teams Hunderte von Stunden für Integration, Konfiguration, Schulungen und Einarbeitung kosten.

Wenn man sich für eine Lösung entscheidet, ist es wichtig, die Datenbasis zu definieren und mit in die Entscheidung einzubinden. Bei der New Relic One Platform ist z.B. AIOps bereits integriert und muss bei Bedarf lediglich eingeschalten werden. Das heißt, New Relic AI ist eine ‚Out-of-the-box‘-Lösung, die keine Wochen der Einarbeitung oder Datenprüfung benötigt. Sie lernt im Laufe der Zeit, aggregiert, korreliert und priorisiert Vorfalldaten automatisch, um Teams dabei zu unterstützen, die Alert Fatigue – also die Defokussierung bei einem erhöhten Auftreten von Alarmen und Warnungen – zu reduzieren. So kann auf eine zentrale Datenbasis zurückgegriffen werden, was wiederum Datensilos und unterschiedliche Interpretationen verhindern kann. Damit schafft AIOps Wettbewerbsvorteile für Unternehmen und verbessert nachhaltig die Kundenzufriedenheit.

Deutsche Unternehmen sollten nicht mit der Implementierung von AIOps-Lösungen zögern, nur weil sie vermuten, nicht ausreichend über deren Sicherheit oder Qualität zu wissen. Sie sollten zukunftsorientiert denken und die Gelegenheit nutzen, ihr Unternehmen zu optimieren.

Transparenz und Offenlegung der Correlations-Mechanismen schaffen Vertrauen in die Zuverlässigkeit der intelligenten Werkzeuge. Feedback-Schleifen erhöhen kontinuierlich die Qualität der Trennung zwischen wertvollen Signalen und Störgeräuschen und geben am Ende einen entscheidenden Innovationsvorsprung und Marktvorteil.

Autor:
Firma: New Relic Germany GmbH
newrelic.com

News

- Anzeige -

Weitere Beiträge

Das könnte Sie auch interessieren

Mit Machine Learning präzise Vorhersagen treffen

Viele Unternehmen haben das Potenzial selbstlernender Systeme, die Machine Learning benutzen, erkannt. Dieser Teilbereich der künstlichen Intelligenz basiert auf Algorithmen, die Muster und Gesetzmäßigkeiten in großen Datenmengen erkennen. Mithilfe neuronaler Netze lassen sich aus den Datenbeständen Rückschlüsse ziehen und Prognosen treffen. In vielen Branchen bereits etabliert, findet Machine Learning als Analyse- und Steuerungsinstrument nun auch zunehmend Anwendung in der Logistik. Ein Beispiel dafür ist die Verknüpfung des Microsoft Azure Machine Learning Studios mit Bestandsmanagement- oder ERP-Systemen. Mit diesen Lösungen lassen sich unter anderem Bestände und Bestellungen optimieren sowie Lagerprozesse erheblich verbessern.

mehr lesen

Studie von VDE und Bertelsmann Stiftung: KI-Ethik messbar machen

In einer neuen Studie zeigen die Technologieorganisation VDE und die Bertelsmann Stiftung, wie sich Ethikprinzipien für künstliche Intelligenz (KI) in die Praxis bringen lassen. Zwar gibt es eine Vielzahl an Initiativen, die ethische Richtlinien für die Gestaltung von KI veröffentlicht haben, allerdings bis dato kaum Lösungen für deren praktische Umsetzung. Genau hier setzt der VDE als Initiator und Leiter der ‚AI Ethics Impact Group‘ gemeinsam mit der Bertelsmann Stiftung an.

mehr lesen

KI in der medizinischen Diagnostik

Das Robotik Startup Robominds hat in Reaktion auf die aktuelle Corona-Pandemie eine Lösung entwickelt, die Roboterarme befähigt, Proben und Reagenzien für die medizinische Diagnostik vor zu sortieren. Auf Basis künstlicher Intelligenz erkennt das Soft-und Hardwaresystem Robobrain Position und Farbe der Probenröhrchen und kann diese ohne vorheriges Einlernen voll automatisiert vor- und einsortieren.

mehr lesen

Künstliche Intelligenz für ‚Beyond 5G‘

Während viele europäische Staaten gerade dabei sind, den Mobilfunk der 5. Generation aufzubauen, arbeitet die Forschung bereits an seiner Optimierung. Denn obwohl 5G seinen Vorgängern weit überlegen ist, hat auch der neueste Mobilfunkstandard noch Verbesserungspotenzial: Besonders in urbanen Gebieten, in denen ein direkter Sichtkontakt zwischen Sender und Empfänger erschwert ist, funktioniert die Funkverbindung oftmals noch nicht zuverlässig. In dem kürzlich gestarteten EU-Projekt Ariadne erforschen nun elf europäische Partner, wie sich durch die Nutzung von hohen Frequenzbändern und künstlicher Intelligenz eine fortschrittliche Systemarchitektur für »Beyond 5G« entwickeln lässt.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.