Plattformen für MLOps und AIOps entlasten IT-Teams
Basis für KI-Projekte
Fortsetzung des Artikels von Teil 1
Anforderungen an den Dienstleister
Der Dienstleister richtet eine hochperformante und skalierbare Cloud-Umgebung als infrastrukturelle Basis für den Betrieb der MLOps-Plattform ein. Zudem implementiert er die Plattform, passt sie an den individuellen Zweck des Unternehmens an und verknüpft sie mit relevanten Quell- und Zielsystemen.
Idealerweise ist ein solcher Dienstleister nicht nur technisch versiert. Als erfahrener Berater sollte er vielmehr auch in der Lage sein, Unternehmen dabei zu unterstützen, sich einen Überblick über ihre IT-Systemlandschaft zu verschaffen, ihre Prozesse optimiert zu digitalisieren und ihre Datenqualität zu verbessern.
Zugleich schafft eine MLOps-Plattform eine optimale infrastrukturelle Grundlage, um Anwendungen mit Hilfe von AIOps umzusetzen. Dabei geht es darum, auf verschiedene Silos verteilte IT-Betriebslösungen durch eine zentrale, KI-gestützte Plattform abzulösen – eben die AIOps-Plattform. Ein solcher Ansatz ist in Zeiten, in denen Unternehmen ihre Daten und Systeme verstärkt in die Cloud migrieren, ein entscheidender Erfolgsfaktor. Hybride oder Multi-Cloud-Umgebungen zu managen, ist äußerst kompliziert, weil die verwendeten Ressourcen jederzeit bedarfsgerecht zu skalieren sind.
Vor diesem Hintergrund erlaubt AIOps, den Betrieb komplexer IT-Systemlandschaften KI-basierend zu automatisieren und damit die Effizienz zu erhöhen. Davon profitieren insbesondere IT-Administratoren und weiteres IT-Betriebspersonal. Dank AIOps können sie automatisiert
- Root Causes für großflächige Störungen ermitteln,
- Anomalien identifizieren und aufkommende Störungen präventiv erkennen,
- Vorschläge für die Fehlerbehebung erhalten sowie
- Support-Tickets klassifizieren und zuteilen.
Vorausetzungen für Routinearbeiten
Damit AIOPs die IT-Abteilung tatsächlich bei der Erledigung operativer Routineaufgaben unterstützt, ist eine Reihe an Voraussetzungen zu erfüllen. Nötig sind
- eine skalierbare Cloud-Umgebung, in der sich die hohen Daten-Update-Frequenzen im IT-Betrieb adäquat managen lassen,
- ein Datenberechtigungskonzept, das gemäß Data-Governance-Strategie definiert und umgesetzt ist,
- qualitativ hochwertige IT-Betriebsdaten, die eine 360-Grad-Sicht auf jegliche Prozesse eröffnen und nahtlos bereitstehen,
- eine zentrale Datenplattform, die Betriebsdaten aus verschiedenen Quellen systemübergreifend auswertbar und verfügbar macht,
- bidirektionale Schnittstellen zwischen der Plattform sowie den Quell- und Zielsystemen,
- digitalisierte Support-Prozesse einschließlich gut gepflegter Dokumentationen von Anfragen samt Lösungen und
- erfahrene Fachleute für Machine Learning und Data Science, die die AIOps-Anwendungsfälle auf der MLOps-Plattform bedarfsgerecht umsetzen.
Anweundungsfall: Root Cause Analysis
Auf einem derartigen technischen Fundament lassen sich verschiedenste KI-Lösungen und -Services umsetzen. Zu den bewährten Anwendungsfällen zählt zum Beispiel die Ermittlung von Störungsquellen (Root Cause Analysis). In einer IT-Landschaft sind verschiedenste Komponenten voneinander abhängig. Man stelle sich eine zentrale Anwendung vor, die Benutzerdaten für eine Vielzahl an Web-Anwendungen bereitstellt. Fällt in solch einem Konstrukt eine zentrale Komponente aus, löst das eine Kaskade von Störungsmeldungen aus, die allesamt dieselbe Ursache haben.
Damit Administratoren gezielt reagieren können, ist es notwendig, das zentrale Problem zu erkennen und als solches hervorzuheben. Bei einer sich wandelnden und komplexer werdenden IT-Landschaft kann eine KI-gestützte Root Cause Analysis helfen, die zugrundeliegende Ursache in einer Flut von Störmeldungen zu identifizieren. Als Vorstufe dieses Modells ist eine KI in der Lage, die Störmeldungen zumindest zu gruppieren, ohne den Root Cause zu benennen.
Anomaly Detection und Incident Prediction
Ein zweiter Anwendungsfall ist Anomaly Detection und Incident Prediction. Dies betrifft den Traum eines jeden Service-Providers: Eine potenzielle Störung erkennen, bevor sie aufkommt. KI macht es möglich, denn indem sie ein System überwacht, lassen sich Anomalien erkennen und Alarme präventiv auslösen.
Dabei fließen Logs und Metriken des Systems – etwa Netzwerkauslastung oder Festplattenkapazität – in das KI-basierende System ein. Statt nach Anomalien jedweder Art Ausschau zu halten, ist es sinnvoll, eine KI gezielt so zu trainieren, dass sie die Wahrscheinlichkeit einer aufkommenden Störung einschätzen kann. Wenn diese Wahrscheinlichkeit dann einen bestimmten Schwellenwert überschreitet, erhalten Administratoren eine entsprechende Warnung und können eine aufkommende Störung abwenden.
Fazit: Zukunftsfähige Mehrwerte schaffen
Die Anwendungsfälle für hilfreiche KI-basierende Produkte und Services sind so vielfältig wie die Geschäftsmodelle von Unternehmen. Mit dem technischen Fortschritt geht ein strategischer Paradigmenwechsel einher: weg von der Entwicklung singulärer KI-Prototypen hin zur Umsetzung bedarfsgerechter Use Cases, die dank KI-Funktionalität grundlegende Prozesse und kundenfreundliche Dienste unterstützen.
Im Begriff, sich dieses Wandels bewusst zu werden, sind immer mehr Unternehmen bereit, in Cloud-basierende Plattformen für MLOps und AIOps zu investieren. Damit schaffen sie eine solide Basis, auf der sie ihr Geschäftsmodell nachhaltig und zukunftsgerichtet digitalisieren können – Use Case für Use Case.
Niels Pothmann ist Head of AI von Arvato Systems, Thomas Löwen ist dort AIOps-Spezialist.
- Basis für KI-Projekte
- Anforderungen an den Dienstleister
Lesen Sie mehr zum Thema
