Der Einsatz von KI in allen Bereichen – vom Marketing über die Personalbeschaffung und den Betrieb bis hin zur Sicherheit – wird derzeit stark gehypt. Unsere jährliche Studie zeigt, dass die meisten Unternehmen den Einsatz von KI in den Bereichen Geschäft, Betrieb und Sicherheit mit großem Interesse prüfen.
All das ist keine Überraschung. Zahlreiche Umfragen zeigen, dass KI in großem Umfang zur Unterstützung verschiedenster Geschäfts- und IT-Funktionen eingesetzt wird.
Worüber nicht immer gesprochen wird, ist die Frage, wie KI in die Entwicklung integriert wird.
Der zentrale Nutzen von KI für Unternehmen und Sicherheit beruht auf ihrer Fähigkeit, Muster und Zusammenhänge zu erkennen und daraus umsetzbare Erkenntnisse abzuleiten. Viele machen sich keine Gedanken über den „Motor“, der hinter dieser Fähigkeit steckt, und befassen sich daher nie wirklich im Detail damit, welche KI-Technologien eingesetzt werden, um wie von Zauberhand wertvolle Erkenntnisse zu gewinnen.
Maschinelles Lernen ist ein spezieller Teilbereich der KI, der sich auf Datenanalyse und Modellierung konzentriert. Es eignet sich für den Einsatz im Sicherheitsbereich, da es mit genügend Zeit und Daten in der Lage ist, Muster zu erkennen, die in Echtzeit auf ungewöhnliches Verhalten hindeuten. Ebenso kann es schwer erkennbare Zusammenhänge in Geschäftsdaten aufdecken, die Möglichkeiten für die Vermarktung von Produkten und Dienstleistungen bieten.
Maschinelles Lernen eignet sich jedoch auch hervorragend für die Modellierung, also für die Durchführung Hunderter „Was-wäre-wenn“-Szenarien, um die komplexen Zusammenhänge zwischen mehreren Variablen besser zu verstehen. In der Entwicklung – genauer gesagt im Engineering – könnten diese Variablen die Datenmenge, der zugewiesene Arbeitsspeicher, die E/A-Geschwindigkeit, die Netzwerkbandbreite und die Parameter virtueller Maschinen sein. Maschinelles Lernen ist äußerst flexibel: Sobald Sie die Variablen identifiziert haben, können Sie damit verschiedene Kombinationen dieser Variablen modellieren, um eine „optimale“ Konfiguration zu ermitteln.
So haben sich beispielsweise Laurent Querel, Distinguished Engineer bei F5, und Sebastien Soudan, Senior Architect bei F5, zusammengetan und kürzlich einen Artikel veröffentlicht, in dem sie beschreiben, wie sie ein Modell entwickelt haben, um „Daten auf effiziente Weise von PubSub zu BigQuery zu übertragen“.“
Sie erklären außerdem, warum der Einsatz von maschinellem Lernen heutzutage die bessere Wahl für die Softwareoptimierung ist – und zwar so treffend, dass ich sie einfach zitieren werde:
„Heutzutage ist die Softwareoptimierung ein iterativer und größtenteils manueller Prozess, bei dem Profiler eingesetzt werden, um Leistungsengpässe im Softwarecode zu identifizieren. Profiler messen die Leistung der Software und erstellen Berichte, die Entwickler prüfen können, um den Code weiter zu optimieren. Der Nachteil dieses manuellen Ansatzes besteht darin, dass die Optimierung von der Erfahrung eines Entwicklers abhängt und daher sehr subjektiv ist. Sie ist langsam, nicht umfassend, fehleranfällig und anfällig für menschliche Voreingenommenheit. Die verteilte Struktur cloudnativer Anwendungen erschwert den manuellen Optimierungsprozess zusätzlich.“
Ein bislang wenig genutzter und ganzheitlicherer Ansatz ist eine andere Form des Performance Engineerings, die auf Leistungsexperimenten und Blackbox-Optimierungsalgorithmen beruht. Genauer gesagt wollen wir die Betriebskosten eines komplexen Systems mit vielen Parametern optimieren.“
Die treibenden Faktoren für den Einsatz von KI – insbesondere maschinellem Lernen – in der Entwicklung sind weitgehend dieselben wie bei ihrer Einführung im IT-Betrieb: Manuelle Prozesse sind langsam, fehleranfällig und können durch menschliche Voreingenommenheit beeinflusst werden.
Wenn wir über die Modernisierung der IT und den stetigen Wandel hin zu einem vollständig digitalen Unternehmen sprechen, schließt dies auch die Entwicklung bzw. das Engineering mit ein.
Ich empfehle die Lektüre von „Optimieren Sie Ihre Anwendungen mit Google Vertex AI Vizier“, und sei es nur, um einen Eindruck davon zu bekommen, wie ein geeignetes Modell entwickelt wird und welche Erkenntnisse die Autoren aus ihren Erfahrungen gewonnen haben.
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.