Kommentar von Klaus Kurz, New Relic AIOps – Vorteile und sechs gängige Mythen

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

Sinequa

New Relic Germany GmbH

Softwareentwickler stehen immer mehr unter Druck: Leistung und Zuverlässigkeit ihrer Anwendungen entscheiden zunehmend über den Erfolg des gesamten Unternehmens. Die Folge: DevOps Teams entwickeln und optimieren rasanter denn je. Entwicklung und Operations arbeiten eng verzahnt, schaffen betriebswirtschaftliche Synergien. So verkürzen sich Entwicklungszyklen und Markteinführungszeiten.

AIOps (Artificial Intelligence for Computer Operations) können IT-Teams in einer immer komplexer werdenden, von Microservices und raschen Deployment-Zyklen geprägten IT-Architektur den Rücken freihalten. Der AIOps-Markt steht in den kommenden fünf Jahren daher vor einem rasanten Wachstum, das bereits begonnen hat. Doch was bringt AIOps in der Praxis, und welche Mythen über diese KI-/ML-basierte Steuerung von IT-Prozessen existieren?

Status quo: Ein Stack, zahlreiche Monitoring Tools

UBS Evidence Lab hat in einer Studie herausgefunden, dass DevOps Teams im Durchschnitt mit vier bis fünf Tools arbeiten, um den Überblick über ihre Apps und die Infrastruktur zu behalten. Um den gesamten Stack zu kontrollieren, verwenden sie Werkzeuge in den Bereichen Application Performance Management (APM), Log Management und Security Information and Event Management (SIEM).

Ziel ist es stets, Uptime und Verfügbarkeit zu optimieren, effizient zu skalieren und neue Features und Anwendungen schnell und sicher einzuführen. Doch die Vielfalt der Tools zum Monitoring eines kompletten Stacks macht es schwierig, die Ursachen von Fehlern zu finden.

AIOps als „Single Source of Truth“

AIOps schafft über den gesamten Stack hinweg lückenlose Transparenz und ist damit ein wesentlicher Bestandteil der Observability. Als „Single Source of Truth“ führt AIOps Logs, Metriken, Traces und weitere Daten aus der kompletten Infrastruktur zusammen. Idealerweise steht eine AIOps-Plattform allen Open Source Tools offen. Gefordert ist auch das Verschlüsseln der gespeicherten Daten. Eine rollenbasierte Zugriffskontrolle und Kunden-Support rund um die Uhr sorgen für Sicherheit und jederzeitige Verfügbarkeit. Die ideale AIOps-Plattform ist zudem DSGVO-konform. Sie kommt somit den strengen Datenschutzanforderungen deutscher Unternehmer entgegen.

Über diese Grundanforderungen hinaus reduziert eine AIOps-Plattform das Grundrauschen irrelevanter Alerts auf Basis von Machine Learning und Künstlicher Intelligenz. Das erlaubt DevOps Teams sich auf das Wichtige zu fokussieren.

Transparenz bis ins Detail für Hosts, Container, Cluster sowie Cloud-Ressourcen

Im Grunde ist AIOps rasch erklärt: Machine Learning und Künstliche Intelligenz ermöglichen eine fortschreitende Automatisierung des IT-Betriebs. AIOps schafft Transparenz bis ins kleinste Detail für Hosts, Container, Cluster sowie Cloud-Ressourcen wie Azure oder AWS. „Applied Intelligence“, das Implementieren von AIOps-Funktionen, erkennt aktiv Anomalien.

Unnötige Alerts werden ausgeblendet und wichtige mit einer automatisierten Priorisierung weitergegeben – wir bei New Relic nennen das Incident Intelligence. Letztere liefert schnelle Diagnosen, auf die Entwickler zeitnah reagieren können – noch bevor der Endkunde es bemerkt.

Jedoch gibt es noch einige Missverständnisse um den noch jungen Begriff AIOps. Zu den häufigsten gehören folgende:

Mythos 1: AIOps ist teuer und nicht leicht implementierbar

AIOps Tools existieren in vielen Facetten. Manche sind wegen nicht transparenter KI-/ML-Operationen für Benutzer kaum zu durchschauen, sie wirken wie eine Black Box. Andere haben hohe Lernkurven. Sie kosten erst einmal viel Zeit, womit kleine Teams und Unternehmen schnell überfordert sein können.

Doch AIOps kann, wenn es auf Best Practices und einer übersichtlichen Benutzeroberfläche basiert, auch leicht und kostengünstig implementiert werden. Vortrainierte Machine-Learning-Modelle liefern sehr rasch solide Ergebnisse. Das gilt insbesondere, wenn schon umfassende Telemetrie- und Betriebsdatenquellen vorhanden sind. Übermäßige Einarbeitungszeit oder horrende Kosten entfallen damit. Der erhoffte Nutzen wird schnell und mühelos erreicht. Nach der Einführung passt das DevOps Team seine AIOps-Lösung schrittweise immer weiter den Unternehmensspezifika an.

Mythos 2: Nur große Unternehmen profitieren von AIOps

Auch hier entkräften AIOps-Lösungen, die mit vortrainierten Modellen ausgeliefert werden, den Mythos. Zwar stimmte es, dass AIOps-Plattformen über lange Zeit mit Modelltraining und Datenbereinigung eingerichtet werden mussten, und so kleine Unternehmen schnell an ihre Grenzen kamen. Jedoch ist dies heutzutage längst nicht mehr nötig. Dank der vortrainierten Modelle moderner AIOps-Lösungen rechnet sich der Einsatz auch für kleine Unternehmen und Teams schnell.

So haben DevOPs Teams mehr Zeit für Innovation und Weiterentwicklung, können die Business-Ziele ihres Unternehmens besser unterstützen. Das kann gerade bei kleineren Unternehmen einen großen Unterschied machen.

Mythos 3: AIOps ist ein Hype

Wie die meisten neuen Technologien weckten AIOps-Plattformen, als sie vor gut fünf Jahren ins Gespräch kamen, sofort große Erwartungen. Gleichzeitig war die Anzahl der Unternehmen, die AIOps nutzten, damals noch relativ gering. Doch das änderte sich rasch.

Inzwischen nutzen viele innovative DevOps- und Site Reliability Engineering (SRE) Teams AIOps rund um die Uhr, um Anomalien in komplexen Umgebungen automatisch zu erkennen und Downtimes zu verhindern.

Entsprechend prognostiziert eine Studie von ResearchAndMarkets dem weltweiten AIOps-Markt in den Jahren 2021 bis 2026 eine jährliche Wachstumsrate von 26,1 Prozent. Ein Hype sieht anders aus. Hier haben wir es eher mit einer Revolution zu tun. AIOps verbessert nachhaltig die Effizienz von DevOps Teams. Unternehmen erkennen das und investieren massiv, um sich Wettbewerbsvorteile zu sichern.

Mythos 4: AIOps ist ein Buzzword

AIOps ist viel mehr als ein schicker, neuer Begriff. AIOps beschränkt sich auch nicht auf die Reduktion von Grundrauschen bei Alerts oder deren Zusammenfassung in einem Dashboard. Gute AIOps-Plattformen liefern noch viel mehr: Sie erkennen aktiv ungewöhnliches Verhalten und Anomalien in den komplexesten Anwendungssystemen.

In dieser Hinsicht werden AIOps in Kombination mit dem Zugriff auf Telemetriedaten schnell zu einem wichtigen Bestandteil der Observability. Dies ermöglicht es Teams nicht nur, bisher unbekannte Probleme frühzeitig aufzudecken, sondern auch sofort die richtigen Personen zu alarmieren, wenn es darauf ankommt. Diese Personen erhalten wertvolle Analysen der Ursachen und der Zusammenhänge von Anomalien. So können die erforderlichen Maßnahmen gegen Downtimes und andere Probleme, auch im Bereich der Security, deutlich schneller und effizienter ergriffen werden.

Das sind wichtige Beiträge von AIOps zur Cybersicherheit, Fehlerprävention, Verbesserung des User Experience und zur Innovation bei Anwendungen mit hohem Qualitäts- und Leistungsniveau. Unternehmen, die auf Observability setzen, sind diejenigen, die schnell und umfassend von AIOps profitieren – und nie auf die Idee kommen würden, dass AIOps ein Buzzword oder eine Modeerscheinung sei.

Mythos 5: AIOps ersetzt menschliches Handeln

Künstliche Intelligenz und Machine Learning ersetzen nicht komplett menschliche Entscheidungen. Sie verbessern die Grundlage für dieselben. AIOps nimmt IT-Teams zeitintensive, redundante Aufgaben ab. AIOps hilft, Probleme zu identifizieren, die der Mensch mit seinen üblichen Visualisierungstools und manuell zu überprüfenden Richtlinien einfach nicht erkennen kann.

So bleibt mehr Zeit für wertschöpfende DevOps-Aufgaben. IT-Teams können mithilfe von KI und Machine Learning präventiv und aktiv tätig sein. Das Reaktive nimmt weniger Zeit in Anspruch. Die Teams sparen Zeit bei der Fehlersuche sowie Trial-and-Error. Es entsteht neuer Spielraum, um produktiv, kreativ und effizient zu arbeiten. So schafft AIOps die Grundlage dafür, dass DevOps Teams ihren Fokus auf leistungsfähigere Software, widerstandsfähigere Systeme und Innovation legen können.

Mythos 6: AIOps korrigiert Probleme automatisch ohne menschliches Eingreifen

Mythos 6 hat einen wahren Kern. Denn AIOps kann in der Tat bereits ohne menschliche Unterstützung zur Lösung spezifischer Probleme eingesetzt werden. Bislang wird AIOps hauptsächlich verwendet, um Probleme zu erkennen. Doch manche Observability- und AIOps-Lösungen sind bereits nahtlos in Incident-Management-Tools und Automatisierungstools integriert. So lassen sich Incident-Workflows ohne menschliches Zutun umsetzen. Es stimmt also: AIOps ist durchaus in der Lage, gewisse Probleme automatisch zu beheben.

Dennoch brauchen wir nach wie vor menschliches Wissen und Know-how. Völlig autonome Entscheidungen bei jedem Vorfall zu treffen, wird die nächste Herausforderung und Stufe für AIOps sein.

Fazit ist, dass AIOps einen großen Beitrag leisten kann, die Herausforderungen von DevOps Teams zu lösen. Das Potenzial zu weiterer Automatisierung bei der Lösung von IT-Problemen ist jedoch greifbarer denn je. Voraussetzung ist, dass Unternehmen erkennen: Es lohnt sich, in Observability und noch mehr Agilität in die Automatisierung von IT-Prozessen zu investieren. Und zwar schon heute.

eBook von BigData-Insider zum kostenfreien Download

Der Begriff AIOps taucht immer häufiger auf, wird aber aus naheliegenden Gründen häufig mit dem Begriff MLOps verwechselt. Innerhalb der Analyse-Landschaft ist es ein wichtiger Bestandteil von Operational Intelligence.

Artificial Intelligence for IT Operations

Die Hauptthemen sind:
# Was ist und was kann AIOps?
# AIOps als Gehirn und zentrales Nervensystem
# Die wichtigsten Anbieter von AIOps-Plattformen

>>> eBook „Artificial Intelligence for IT Operations“ downloaden

(ID:47547634)