Mobile-Menu

Support-Turbo durch Data Intelligence Wie CyberArk mit Apache Iceberg und GenAI die Produktivität vervierfacht

Von Berk Kutsal 1 min Lesedauer

Anbieter zum Thema

Board Deutschland GmbH
INFOMOTION GmbH
QUNIS GmbH

Log-Daten sind im Enterprise-Umfeld oft ein Nadelöhr. CyberArk strukturiert Support-Logs mit Apache Iceberg und analysiert sie mithilfe generativer Künstlicher Intelligenz (KI) über Amazon Bedrock. Das Unternehmen berichtet von einer bis zu vierfach gesteigerten Produktivität im Support.

Architektur des Log-Analyse-Workflows: Support-Anfragen werden über KI-Agenten verarbeitet, mit Amazon Bedrock ausgewertet und via Athena auf Apache-Iceberg-Tabellen abgefragt.(Bild: AWS)
Architektur des Log-Analyse-Workflows: Support-Anfragen werden über KI-Agenten verarbeitet, mit Amazon Bedrock ausgewertet und via Athena auf Apache-Iceberg-Tabellen abgefragt.
(Bild: AWS)

Im technischen Support fallen täglich große Mengen heterogener Log-Daten an. Unterschiedliche Formate, inkonsistente Strukturen und manuelle Aufbereitung verzögern die Analyse. Genau hier setzt CyberArk an: Der Identity-Security-Anbieter hat seine Log-Verarbeitung auf eine moderne Lakehouse-Architektur umgestellt.

Hier setzt Apache Iceberg als Table-Format für den Data Lake an. Iceberg verwaltet Metadaten, Versionierung und Schema-Evolution und erlaubt strukturierte Abfragen auf großen Datenmengen. Log-Dateien werden dabei nicht mehr ad hoc verarbeitet, sondern in eine konsistente, tabellarische Struktur überführt.

Auf dieser Grundlage kommt Amazon Bedrock zum Einsatz. Über den AWS-Dienst für generative KI werden Log-Daten automatisiert analysiert, klassifiziert und für Support-Ingenieure in verwertbare Informationen überführt. CyberArk erhofft sich dadurch, manuelle Parsing- und Aufbereitungsschritte zu reduzieren.

Von Rohdaten zu verwertbaren Support-Insights

Der technische Ablauf folgt einem klaren Muster: Unstrukturierte Logs werden in den Data Lake ingestiert, mit Iceberg normalisiert und versioniert und anschließend über KI-Modelle analysiert. Die generativen Modelle sollen dabei helfen , relevante Muster, Fehlermeldungen oder Anomalien schneller zu identifizieren.

Nach Angaben von CyberArk führe dieser Ansatz zu einer deutlich beschleunigten Ticketbearbeitung. Das Unternehmen spricht von einer bis zu vierfach gesteigerten Support-Produktivität. Konkrete Details zur Messmethodik oder zu Metriken wie der Mean Time to Resolution sind allerdings nicht bekannt.

Lakehouse-Architektur als Enabler für Generative KI

Der Anwendungsfall zeigt ein wiederkehrendes Muster im Enterprise-Umfeld: Generative KI entfaltet ihren Nutzen erst auf einer konsistenten, gut verwalteten Datenbasis. Table-Formate wie Apache Iceberg in diesem Fall übernehmen dabei eine zentrale Rolle, indem sie Schema-Änderungen, Time-Travel-Abfragen und Transaktionssicherheit ermöglichen.

Der Fall illustriert, wie sich Data-Lake-Architekturen von reinen Analyseplattformen hin zu operativen KI-gestützten Workflows entwickeln. Nicht Dashboards stehen im Fokus, sondern die Beschleunigung konkreter Fachprozesse.

(ID:50740294)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte