Wie IT-Teams Zeit für Innovationen finden können Grundlagen und Herausforderungen von AIOps

Anbieter zum Thema

BMC Software GmbH GB Remedy

Fsas Technologies GmbH

Cloudgermany.de GmbH

STACKIT GmbH & Co. KG

Die Zielvorgaben für die digitale Transformation verschieben sich, da der Aufstieg der KI und andere Fortschritte neuen Druck auf IT-Teams ausüben, neue Technologien schnell einzuführen. Dieser Druck entsteht zu einer Zeit, in der IT-Abteilungen Schwierigkeiten haben, Talente zu halten und Ressourcen weiterhin knapp sind.

Diese Situation hat sehr reale Konsequenzen für den Alltag von IT-Fachleuten. Das Hauptziel des IT-Teams ist die Gewährleistung der Serviceverfügbarkeit und -zuverlässigkeit. Zu oft verbringen IT-Teams jedoch ihre Zeit damit, Brände zu löschen und auf Notfälle zu reagieren, anstatt ihren Organisationen bei der Innovation zu helfen.

AIOps, insbesondere im Zusammenspiel mit GenAI, wird zunehmend im Mainstream übernommen, um IT-Teams zu unterstützen. AIOps bezieht sich auf die Anwendung von KI auf IT-Operationen mit dem Ziel, routinemäßige Aufgaben zu erleichtern und Innovationen zu fördern. Hier sind die drei wichtigsten AIOps-Fähigkeiten, die IT-Teams dabei helfen, von einer reaktiven zu einer proaktiven Haltung überzugehen und Zeit für Innovationen zurückzugewinnen.

Komplexität durchdringen und das eigentliche Problem erkennen

Moderne IT-Teams sind damit beauftragt, komplexe, hybride Umgebungen zu überwachen, wobei sie oft auf eine Vielzahl von Werkzeugen angewiesen sind. Unter diesen stechen bestimmte Plattformen durch ihre intuitive Benutzererfahrung hervor, indem sie Anwendungen, Heuristiken und Arbeitsabläufe in ein kohärentes Framework integrieren, das darauf abzielt, die Betriebseffizienz zu verbessern. Solche Systeme sind so konzipiert, dass sie auch für weniger erfahrene Operationsteams der ersten Ebene zugänglich sind und KI- und ML-getriebene Einblicke bieten, die Systemrohdaten in umsetzbare Erkenntnisse und Empfehlungen verwandeln.

Es gibt einen echten Wert in der Konsolidierung von Datenquellen und Werkzeugen, um es einer ausgefeilten kausalen KI zu ermöglichen, die Ursache komplexer Probleme zu ermitteln. Generative KI geht noch einen Schritt weiter, indem sie diese Ursachen in menschlich verständliche Zusammenfassungen übersetzt, Lösungen und proaktive Vorhersagen bietet und dabei Betriebs- und Servicemanagement sowie DevOps nutzt, um Zeit für IT-Teams zu sparen.

Anomalien erkennen, Auswirkungen ändern und Probleme proaktiv verhindern

Traditionelle Überwachungstools haben oft einen erheblichen Nachteil: Viele benachrichtigen Teams erst über Probleme, wenn diese bereits aufgetreten sind, was zu Notfallbehebung, langsameren Systemen und potenziellen Ausfällen führt. Reaktive Ansätze reichen in heutigen Umgebungen, in denen Dienste geschäftskritisch sind, oft nicht aus. Da Systeme immer komplexer werden, wird es entscheidend, Probleme vorherzusehen und anzugehen, bevor sie auftreten – das Ziel jedes CIOs. Proaktivität sichert die Geschäftskontinuität, was das Management von Änderungsrisiken in Bezug auf Umfang und Schwere einschließen sollte.

Das ideale Szenario besteht darin, über Probleme informiert zu werden, bevor sie den Betrieb beeinträchtigen, anstatt nachträglich deren Auswirkungen abzumildern. Dies erfordert die Nutzung prädiktiver KI, die in der Lage ist, Kapazitäts- und Ressourcenprobleme sowie potenzielle Dienstunterbrechungen oder -einbußen zu identifizieren und automatisierte Maßnahmen zu ergreifen, um diese zu beheben.

Automatisierte Reaktion und Behebung beschleunigen

Die Geschwindigkeit, mit der sich Systeme entwickeln, übertrifft oft die menschliche Überwachung und Verwaltung. Dies hat einen Wandel hin zu fortschrittlichen, unternehmensweiten Werkzeugen mit maschinellen Lernfähigkeiten erforderlich gemacht. Diese Werkzeuge sind darauf ausgelegt, große Mengen an Systemdaten aus komplexen IT-Umgebungen zu verarbeiten und zu analysieren, diese Daten in umsetzbare Erkenntnisse zu verwandeln und automatisierte Reaktionen auszulösen. Dies ermöglicht IT-Fachleuten, Aktionen basierend auf einem umfassenden Verständnis der Betriebsabläufe ihrer Systeme und deren Auswirkungen auf Geschäftsziele zu automatisieren.

Durch die Nutzung von Datenanalysen und automatisierten Aktionen können Organisationen wertvolle IT-Ressourcen besser optimieren, sodass sie Aufgaben priorisieren, Wertschöpfung und Innovationsaktivitäten fördern können, um den potenziellen Geschäftseinfluss zu steigern.

Grundlage trotz Herausforderungen schaffen

Angesichts der Ausbreitung und Vielfalt moderner IT-Infrastrukturen, Netzwerke und Anwendungen sowie der Heterogenität der erzeugten Daten werden maschinelle Lernmodelle und künstliche Intelligenz oft als Notwendigkeiten im Werkzeugkasten der IT-Verantwortlichen betrachtet.

In einer Umgebung, in der IT-Operation-Teams auf KPIs wie Fehlerprognose, Ursachenanalyse und mittlere Reparaturzeit (MTTR) fokussiert sind, kann es für den menschlichen Verstand schwierig sein, das Volumen und die Komplexität der Daten schnell genug zu bewältigen, um einen bedeutenden Einfluss auf diese Metriken zu haben. Wenn Organisationen sich auf manuelle, personalintensive Prozesse verlassen, um diese Metriken zu erreichen, können sie Schwierigkeiten haben, ihre Bemühungen kosteneffektiv zu skalieren und zu standardisieren.

Viele Organisationen werden bei der Implementierung von AIOps-Technologien jedoch diversen Herausforderungen begegnen. Diese Herausforderungen können umfassen:

• Datenqualität: IT-Teams müssen ständig die Millionen von Datenquellen überwachen und sicherstellen, dass sie fehlerfrei und unvoreingenommen sind. Schlechte Daten können schwerwiegende Folgen wie Missbrauch oder fehlerhafte Ergebnisse verursachen.

• Komplexität und Umfang: Mit dem Wachstum der IT-Operatios und der Zunahme von Daten und Werkzeugen besteht die zusätzliche Herausforderung, alle Assets, die von der Cloud bis zum Mainframe und von der Anwendung bis zum Netzwerk reichen, zu verbinden und Services konsistent für alle zu entwickeln.

• Silos: IT-Organisationen sind oft in Silos organisiert, anstatt unter einem einzigen Dach zu arbeiten.

• Vertrauen in die Automatisierung: Es kann schwierig sein, den richtigen Kontext für die Isolierung von Ursachen und empfohlene Maßnahmen auf der Grundlage historischer Vorkommnisse zu erhalten.

Um AIOps erfolgreich zu implementieren, ist es wichtig, eine offene Plattform zu verwenden, die sich in bestehende Werkzeuge integriert, fortschrittliche KI/ML out-of-the-box (einschließlich kausaler, prädiktiver und generativer KI) bereitstellt und die Automatisierung beschleunigt. Letztendlich sollte man über die Anwendungsfälle nachdenken, die für das eigene Geschäft wichtig sind, und klein anfangen, um den Wert zu beweisen. Mit diesem Ansatz kann AIOps dabei helfen, bessere und schnellere Entscheidungen für die Organisation zu treffen.

Eine solide AIOps-Strategie erfordert auch einen kulturellen Wandel. Erfolgreiche Organisationen standardisieren Prozesse zur Vereinfachung der Automatisierung, verbessern die Governance zur Unterstützung neuer Rollen und adressieren effektiv das Management organisatorischer Veränderungen. In der Praxis bedeutet dies, interne Ziele abzustimmen, Teams auf die Akzeptanz von Misserfolgen und deren Nutzung zur Weiterentwicklung vorzubereiten und funktionsübergreifende Zusammenarbeit zu fördern. Offene und konsistente Kommunikation ist unerlässlich. Dieser kulturelle Wandel kann sicherstellen, dass Ressourcen effektiv genutzt werden und alle auf ein gemeinsames Unternehmensziel hinarbeiten.

Fazit

Insgesamt kann ein strategischer Ansatz für AIOps dazu beitragen, die Abläufe für IT-Teams zu straffen. Er legt eine solide Grundlage für die Automatisierung des IT-Betriebs und hilft dem Unternehmen, schneller zu innovieren.

Über den Autor

Ali Siddiqui, Chief Product Officer bei BMC Software.

Localhost – Der IP-Insider-Podcast: Folge 11

AIOps und der KI-automatisierte IT-Betrieb

(ID:50133171)