Generative KI hat AIOps neues Leben eingehaucht, doch es wäre ein Fehler zu glauben, dass sie die einzige Art von KI ist, die nötig ist, um AIOps auch in Zukunft am Leben zu erhalten.
Im Jahr 2022 schien AIOps eine Technologie zu sein, die nur noch künstlich am Leben erhalten wurde. Fast jede sogenannte AIOps-Lösung war kaum mehr als herkömmliches Monitoring auf Steroiden. Die Anwendungsfälle, für die AIOps damals vorgesehen war, waren banal und trugen kaum dazu bei, die Vision von adaptiven Anwendungen voranzubringen. Gemeint ist damit, Intelligenz und die Fähigkeit zur Umsetzung von Änderungen in Echtzeit in den IT-Betrieb zu integrieren.
Doch dann betrat generative KI die Bühne, und plötzlich bekam AIOps eine zweite Chance. Nur war es gar keine. Nicht wirklich.
Um zu verstehen, warum das so ist, müssen wir AIOps anhand der Funktionen definieren, die es bereitstellen soll.
Was ist AIOps?
AIOps ist ein weit gefasster Begriff, der im Allgemeinen den Einsatz künstlicher Intelligenz für den IT-Betrieb bezeichnet. AIOps-Lösungen – üblicherweise als Plattformen bezeichnet – bieten in der Regel vier unterschiedliche Funktionen:
- Beobachten: Umfasst die Erfassung von Telemetriedaten und die Erkennung von Anomalien.
- Analysieren: Nutzt KI, um Muster aufzudecken, Ereignisse im jeweiligen Kontext miteinander in Beziehung zu setzen, Ursachen zu identifizieren und Erkenntnisse zu gewinnen.
- Interagieren: Ermöglicht Benutzern, Daten und Erkenntnisse zu visualisieren und mit ihnen zu interagieren.
- Handeln: Verwandelt Erkenntnisse durch Automatisierung in konkrete Maßnahmen.
Im Wesentlichen haben wir bisher die Integration generativer KI in die Funktion „Engage“ beobachtet. Konkret hat generative KI die Interaktionsfunktionen dieser Fähigkeit weiterentwickelt, indem sie GUIs (grafische Benutzeroberflächen) und APIs durch NLIs (natürlichsprachliche Schnittstellen) ersetzt. Dadurch nähert sich AIOps weitgehend dem laut einem Bericht von ZK Research am häufigsten genannten AIOps-Anwendungsfall an:
- 64 % Effizienz-/Produktivitätssteigerung im IT-Betrieb
- 54 % verbesserte Netzwerk- oder Anwendungsleistung
- 54 % verbesserten die Sicherheit oder Compliance
Es gibt einige Anzeichen dafür, dass generative KI eingesetzt wird, um Maßnahmen zu ergreifen, indem Richtlinien und Konfigurationen erstellt werden, die Risiken mindern und Vorfälle beheben. Derzeit sind diese Anzeichen jedoch noch schwach und beschränken sich weitgehend auf ein einzelnes Zielökosystem, also das Portfolio eines bestimmten Anbieters.
Generative AI has done very little to forward the ability to analyze the data collected by the observe capability. That’s not a mark against it, but rather recognition that it wasn’t designed to do this. For that, we need to rely on good old traditional AI.
Was ist traditionelle KI?
Seit der Einführung generativer KI braucht das, was wir schon immer als KI bezeichnet haben, eine eigene Bezeichnung. Auf dem Markt hat sich traditionelle KI als Bezeichnung für „jede KI außer generativer KI“ durchgesetzt.
Traditionelle KI nutzt viele der gleichen Trainingsmethoden und zugrunde liegenden Prinzipien wie generative KI. Sie dient jedoch dazu, Ergebnisse zu analysieren und sogar vorherzusagen, indem sie Muster und Zusammenhänge identifiziert – und zwar in einem Korpus aus weitgehend strukturierten Daten. Traditionelle KI eignet sich hervorragend für Klassifizierung und Erkennung.
Traditionelle KI wird seit Jahrzehnten für folgende Zwecke eingesetzt:
- Bots erkennen, um Missbrauch und Betrug zu verhindern wie etwa Kontoübernahmen (ATO)
- Angriffe anhand von Verhaltensmustern im Netzwerkverkehr (DDoS) und Anwendungsverkehr (L7) erkennen
- Empfehlungen für Produkte und/oder Dienstleistungen auf Grundlage von Nutzungsmustern aussprechen
- Handschrift- und Bilderkennung
Die Rolle von KI in AIOps
Die Fähigkeit herkömmlicher KI, nicht nur Vorhersagen zu bestehenden Mustern und Zusammenhängen zu treffen, sondern nahezu in Echtzeit auch neue zu erkennen, macht diese Technologie für eine echte AIOps-Lösung unverzichtbar. Erforderlich ist ein Modell, das neue Daten analysieren und daraus auf einen Angriff schließen oder ein Problem vorhersagen kann, das die Verfügbarkeit beeinträchtigt oder die Leistung mindert. Herkömmliche KI ist für beides besonders gut geeignet: Sie stattet die Funktion „Beobachten“ mit der Fähigkeit zur Erkennung von Anomalien aus und ermöglicht der Funktion „Analysieren“, Muster und Zusammenhänge zu erkennen.
Generative KI kann Code, Konfigurationen und Inhalte generieren. Sie bildet bestehende Muster nach und wendet sie an, um neue Inhalte zu generieren. Sie erschafft nichts, sondern stützt sich auf Beziehungen zwischen Objekten, die auf Grundlage von Feedback entweder verstärkt oder abgeschwächt werden.
Generative KI mit der Analyse neuer Daten zu beauftragen, ist in der Tat mit erheblichen Risiken verbunden. Sie kann Ihnen eine richtige Antwort liefern, aber ebenso halluzinieren und eine falsche Antwort geben. Denn letztlich ist generative KI ein Zahlenspiel: Sind die Beziehungen oder Muster zwischen den Datenpunkten nicht stark genug oder nicht ausreichend vorhanden, füllt sie die Lücken einfach aus – ob richtig oder falsch.
Was uns generative KI bietet, ist Zugänglichkeit zu den Daten – denn wir müssen weder Experten für eine Abfragesprache sein noch auf Entwickler angewiesen sein, die eine Benutzeroberfläche für uns erstellen – sowie die Möglichkeit, automatisch Code oder Konfigurationen zu generieren, die zur Lösung eines Problems ausgeführt werden können. Auch das ist Zugänglichkeit, da man weder Experte im Programmieren noch in der Nutzung mehrerer APIs sein muss.
Doch ohne traditionelle KI, die Telemetriedaten in Echtzeit analysiert, deckt ein solches System nur zwei der drei für eine voll funktionsfähige AIOps-Lösung erforderlichen Fähigkeiten teilweise ab. Daher müssen wir sowohl traditionelle als auch generative KI einsetzen:
- Beobachten: traditionelle KI zur Anomalieerkennung.
- Analysieren: traditionelle KI, um Muster und Zusammenhänge aufzudecken.
- Interagieren: generative KI, die es Nutzern ermöglicht, Daten und Erkenntnisse zu visualisieren und mit ihnen zu interagieren.
- Handeln: Generative KI, um Erkenntnisse in konkrete Maßnahmen umzusetzen.
Auch wenn ich generativer KI und ihrem Potenzial, Abläufe zu vereinfachen und sogar zu beschleunigen, sehr positiv gegenüberstehe, ist mir zugleich bewusst, dass sowohl traditionelle als auch generative KI erforderlich sind, um das volle Potenzial von KI im Bereich AIOps auszuschöpfen.
Über den Autor
Lori MacVittie ist Distinguished Engineer und Chief Evangelist im Office of the CTO von F5 und verfügt über umfassende Expertise in den Bereichen Anwendungsbereitstellung, Automatisierungsstrategie und Infrastruktur. Sie ist dafür bekannt, Komplexität verständlich zu machen – ob sie Leitplanken für KI-Agenten definiert, fragile Multicloud-Architekturen analysiert oder die Grenzen skalierbarer Systeme auslotet. Sie verfügt über mehr als dreißig Jahre Branchenerfahrung in der Anwendungsentwicklung, IT-Architektur sowie im Netzwerk- und Systembetrieb. Bevor sie zu F5 kam, war sie als mehrfach ausgezeichnete Technologie-Redakteurin tätig. MacVittie hat einen Masterabschluss in Informatik und ist eine produktive Autorin, deren Veröffentlichungen die Bereiche Sicherheit, Cloud und Unternehmensarchitektur abdecken. Außerdem spielt sie leidenschaftlich gern Brett- und Videospiele und vertritt mit voller Überzeugung klare Ansichten zum Thema Käse.
Weitere Blogbeiträge von Lori Mac VittieÄhnliche Blogbeiträge
Ein umfassender Leitfaden zur Bereitstellung und Sicherheit von KI-Anwendungen
Entdecken Sie optimale Strategien für die Absicherung und Bereitstellung von KI-Anwendungen.
KI zulassen und einführen? Lehren aus der Public Cloud
Die Einführung von KI steht unmittelbar bevor und könnte entscheidend sein, um wettbewerbsfähig zu bleiben. Daher muss die IT-Sicherheit proaktiv handeln und der KI-Einführung schon jetzt einen Schritt voraus sein, um sie auf einen risikogerechten Weg zu lenken.
Stand der Anwendungsstrategie 2022: Zeit für die Modernisierung des Betriebs
Es ist deutlich geworden, dass Unternehmen ihren Fokus erneut auf die Geschäftsfunktionen richten müssen, um die Dynamik ihrer digitalen Transformation aufrechtzuerhalten. Kundenerlebnisse haben zwar weiterhin Priorität, doch auch Geschäftsfunktionen wie Recht, Personalwesen und Finanzen müssen digitalisiert werden. Das bedeutet, dass CIOs das Steuer übernehmen, während sich die digitale Transformation von der Modernisierung von Anwendungen hin zur Modernisierung von Betriebsabläufen verlagert.
F5s Weg zu einer vielseitigen Plattform für Anwendungsanalysen
F5 bietet heute die umfassendsten Anwendungsdienste entlang des gesamten Weges vom Code bis zum Kunden. Künftig werden wir verstärkt auf Anwendungstelemetrie und -analysen setzen, damit unsere Kunden wertvolle Erkenntnisse über ihre Anwendungen, Geschäftsabläufe und Benutzererlebnisse gewinnen können. Beim Ausbau unserer Cloud-Analysefunktionen werden wir ML und KI noch stärker nutzen, um unsere Kunden bei der Verbesserung ihrer Geschäftsdienste zu unterstützen.
Telemetrie: Eine andere Art von Daten
Verwenden wir den Begriff „Telemetrie“ nur, weil er attraktiver klingt als „Daten“? Letztlich sind sowohl Daten als auch Telemetrie strukturierte Informationseinheiten. Es ist kein Verbrechen, die Begriffe synonym zu verwenden. Doch wenn man es genau nimmt, gibt es einen Unterschied. Und dieser Unterschied wird immer wichtiger werden, je weiter Unternehmen in die Datenökonomie vordringen.
MTTR bedeutet nicht „Mean Time to Reboot“
„Schnell scheitern“ lautet heute das Mantra für mehr Geschwindigkeit. Ob in DevOps oder im Geschäftsleben: Wer in einer digitalen Wirtschaft agiert, muss eine möglichst perfekte Verfügbarkeit gewährleisten.