Was ist generative KI und ist sie der Weg zu AIOps?

Lori Mac VittieDistinguished Engineer und Chief Evangelist | F5

Vielleicht. Die Anwendungsmöglichkeiten gehen jedenfalls weit darüber hinaus, traditionelle Suchmaschinen zu bedrohen oder Aufsätze für die Schule und Werbetexte zu verfassen.

Was ist generative KI?

Generative KI ist eine Anwendung des maschinellen Lernens, die anhand natürlichsprachlicher Eingaben verschiedene Inhalte wie Texte, Bilder oder Audiodateien erstellen kann. Mit der Einführung von ChatGPT – einem Projekt von OpenAI – erlangte sie große Bekanntheit und führte branchenübergreifend zu einer rasanten Zunahme neuer Anwendungsmöglichkeiten.

Falls Sie ChatGPT noch nicht ausprobiert haben, möchte ich Sie ermutigen, sich einen Moment Zeit zu nehmen und ihm ein paar Fragen zu stellen. Bitten Sie es zum Beispiel, Ihnen etwas über Sie selbst oder eine historische Persönlichkeit zu erzählen oder zu erklären, wie etwas funktioniert. Auch wenn Vorsicht geboten ist – ChatGPT liegt nicht immer richtig –, ist es eine aufschlussreiche Erfahrung, weil es eine neue Erfahrung ist.

ChatGPT hat einen Machbarkeitsnachweis für generative KI geliefert. Dadurch haben wir einen Einblick in die Möglichkeiten erhalten, wie wir künftig anders arbeiten könnten. Für uns im F5 Office of the CTO haben sich zudem einige interessante Ansätze ergeben, wie generative KI bei der Anwendungsbereitstellung und -sicherheit eingesetzt werden könnte.

Von imperativ über deklarativ zu generativ

Eine der Herausforderungen im Infrastrukturbereich besteht darin, die unzähligen Geräte, Dienste und Systeme zu konfigurieren, die erforderlich sind, um auch nur eine einzige Anwendung bereitzustellen und abzusichern. Unternehmen nutzen durchschnittlich 23 verschiedene Anwendungsdienste – Angebote nach dem „as a Service“-Modell nicht mitgerechnet.

Nun muss ich Ihnen sicher nicht erklären, dass die Konfiguration eines Schutzdienstes für Webanwendungen und APIs etwas anderes ist als die Konfiguration eines herkömmlichen Lastverteilungsdienstes. Das bedeutet, dass die für die Konfiguration und den Betrieb von Anwendungsdiensten zuständigen Personen möglicherweise ein Dutzend verschiedener „Sprachen“ beherrschen müssen.

Die Branche versucht seit Jahren, dieses Problem zu lösen. Als APIs zum wichtigsten Mittel für die Konfiguration von allem wurden, bildeten Dienste für die Anwendungsbereitstellung und -sicherheit keine Ausnahme. Zunächst setzten alle auf imperative APIs, wodurch sich lediglich die Art der Befehlseingabe änderte. Statt Befehle über eine CLI einzugeben, sendete man API-Befehle über HTTP.

Schon bald wurde klar, dass die API-Steuer für die Nutzung imperativer APIs zu hoch war, und die Branche wechselte zu deklarativen APIs. Leider entschied jedoch der Großteil der Branche, dass deklarativ „Konfiguration als JSON“ bedeute. Statt der hinter dem deklarativen Ansatz stehenden Absicht (dieses Wort ist wichtig, merken Sie es sich) – „Sagen Sie mir, was Sie erreichen möchten, und ich erledige es für Sie“ – hieß es letztlich: „Hier ist die gewünschte Konfiguration; übernehmen Sie die aufwendige Umsetzung.“

Es ist nicht ganz dasselbe, und es erforderte nach wie vor dasselbe Maß an Fachwissen über das für die jeweilige Lösung spezifische Betriebsmodell. Ich bin mir nicht sicher, ob sich die Branche jemals darauf einigen konnte, ob Load Balancer „Pools“ oder „Farms“ verwenden – ganz zu schweigen von den komplexeren Details des Zusammenspiels zwischen virtuellen Servern, physischen Servern und Anwendungsinstanzen. Mit dem deklarativen Ansatz hat die Branche also lediglich die Arbeit auf Befehlsebene von den Betreibern auf das System verlagert.

Generative KI bietet nun eine Form von Low-Code/No-Code. Die damit erzielten Ergebnisse sind zuverlässiger als manche anderen, da sie auf klar definierten Spezifikationen beruhen, die die Generierung der Ergebnisse steuern. Schließlich gibt es nur eine begrenzte Anzahl von Möglichkeiten, „Hello World“ zu schreiben, während sich eine Frage auf Millionen verschiedene Arten beantworten lässt.

Das bedeutet, ich sollte einem trainierten Modell sagen können: „Hey, ich möchte meinen Load Balancer so konfigurieren, dass App A skaliert wird“, und das System sollte daraufhin eine Konfiguration ausgeben können. Aber mehr noch: Ich sollte ihm sagen können: „Erstelle mir ein Skript, das X auf System Y mithilfe von Z ausführt“, und ZACK! Es sollte nicht nur die Konfiguration generieren, sondern auch die Automatisierung, die erforderlich ist, um sie auf dem richtigen System bereitzustellen.

Oh, sieh mal. Das kann es bereits.

Natürlich ist dieser Code noch nicht produktionsreif – weder die IP-Adresse noch die Zugangsdaten sind gültig, und als Sprache wurde Python gewählt (nicht gerade meine erste, zweite oder dritte Wahl). Dennoch ist er allein auf Grundlage öffentlich verfügbarer Dokumentation und einer bemerkenswert einfachen Eingabeaufforderung bereits zu 90 % fertig. Je detaillierter die Eingabeaufforderung, desto besser die Ergebnisse. Das vollständige, unten gezeigte generierte Skript ist länger, daher habe ich nur den Anfang eingefügt.

Auch das ist noch nicht einsatzbereit, aber schon deutlich näher an einer funktionsfähigen Lösung – und die Generierung dauerte buchstäblich weniger als fünfzehn Sekunden, ohne dass ich das System zuvor trainiert hatte.

Von der Generierung zur Automatisierung

Aber das ist der einfache Teil. Ich sollte ihm außerdem sagen können: „Ach übrigens, stell das bereit.“ Und das Ding sollte das erledigen, während ich meinen Morgenkaffee genieße. Und mir vielleicht auch noch ein kleines Lied vorsingen.

Aber Moment, da kommt noch mehr! Was wäre, wenn ich einem generativen KI-System später auch sagen könnte: „Hey, die Nutzer in Green Bay melden sich sehr häufig an und die Leistung lässt nach. Klone App A und verschiebe sie an unseren Standort in Milwaukee.“

Und genau das tut es. Denn unter der Haube ist all dies lediglich ein Geflecht aus APIs, Konfigurationen und Befehlen, die sich automatisieren lassen und heutzutage häufig bereits durch Skripte automatisiert werden. Diese Skripte sind oft parametrisiert, was in etwa den Parametern in meinem KI-Prompt entspricht: Green Bay, Milwaukee, App A. Was sich also ändert, ist der Generator – und die Geschwindigkeit, mit der das Ergebnis erzeugt werden kann.

Ich sage oft, dass KI und Automatisierung als Kraftverstärker wirken. Denn die Technologie weiß nicht, was sie tun muss – wir hingegen schon. KI und Automatisierung können diese Aufgaben jedoch wesentlich schneller und effizienter erledigen. Dadurch steigern sie die Produktivität, verkürzen die Zeit bis zur Wertschöpfung und geben Fachleuten mehr Zeit, sich auf strategische Entscheidungen und Projekte zu konzentrieren. Und mit der Zeit kann die KI von uns lernen, unsere Kapazitäten weiter vervielfachen und neue Möglichkeiten eröffnen.

Das ist keine Science-Fiction mehr, sondern Realität der Informatik.

Generative KI wird die AIOps ermöglichen, die wir brauchen

Viele der heutigen AIOps-Lösungen konzentrieren sich ausschließlich darauf, die Erkenntnisse bereitzustellen, die 98 % der Unternehmen fehlen.

Sie lösen die Probleme von gestern, nicht die Anforderungen von morgen.

Selbst AIOps-Plattformen, die autonomer agieren können – etwa Sicherheitsdienste –, sind in hohem Maße von bestehenden Konfigurationen und klar definierten Reaktionen abhängig. In der Regel setzen sie KI nicht ein, um Abläufe über die heterogenen Ebenen der Anwendungsbereitstellung und Sicherheit hinweg autonomer auszuführen. Sie nutzen KI zur Datenanalyse und zur Gewinnung von Erkenntnissen, die wir Menschen weder selbst gewinnen können noch für deren Ermittlung wir die nötige Zeit haben. Doch genau dort endet ihr Einsatz häufig – zumindest auf den Ebenen oberhalb des Netzwerks und bei hinreichend bekannten Sicherheitsproblemen.

Hier kann generative KI übernehmen. Deshalb setze ich voll und ganz darauf, auszuloten, wie weit wir mit dieser Technologie gehen können, um die Anwendungsbereitstellung und -sicherheit „lächerlich einfach“ zu machen.

Willkommen an der Spitze des KI-Eisbergs.

Über den Autor

Lori Mac VittieDistinguished Engineer und Chief Evangelist | F5

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 Vittie