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.
