Digitale Transformation erfordert einen automatisierten und maschinengestützten Ansatz
Die digitale Geschäftsumwandlung zwingt IT-Organisationen zu überdenken, wie sie die Leistung von Infrastruktur und Anwendungen sicherstellen können. Geschwindigkeit, Skalierbarkeit und Komplexität, die durch Multi-Cloud-Infrastrukturen und Digitalisierung entstehen, belasten die herkömmliche regelbasierte Leistungsüberwachung und -verwaltung. AIOps verwendet maschinelles Lernen und erweiterte Analysetechniken, um Muster in Überwachungs-, Servicedesk- und Automatisierungsdaten zu identifizieren, die so umfangreich sind, dass sie ansonsten für den Menschen unverständlich sind. Einführung von AIOps ermöglicht IT-Abläufen Folgendes:
- Reduzieren von Störereignissen und Priorisieren der unternehmenskritischsten Probleme zur Verbesserung der Leistung
- Unterstützen der Geschwindigkeit von Änderungen an der Anwendungsarchitektur und bei Einführung von DevOps
- Proaktives Erkennen von Problemen und schnelles Aufdecken der Ursachen zur Verkürzung der MTTR
- Modellieren und Vorhersagen der Workload-Kapazitätsanforderungen zur Optimierung der Ressourcennutzung und der Kosten
„AIOps-Plattformen kombinieren große Datenmengen und maschinelle Lernfunktionen, um alle primären IT-Betriebsfunktionen durch die skalierbare Erfassung und Analyse der ständig wachsenden Menge, Vielfalt und Geschwindigkeit der von der IT generierten Daten zu unterstützen.“
Quelle: Gartner: Marktübersicht für AIOps-Plattformen, 12. November 2018
Schlüsselelemente eines AIOps-Ansatzes
Das Implementieren eines AIOps-Ansatzes geht über eine bessere Analyse vorhandener Daten hinaus. Die Grundlage für ein maschinelles Lernsystem zu schaffen, das kontinuierliche Erkenntnisse liefert, erfordert:
- Offener Datenzugriff, einschließlich mehrerer, nutzbarer Quellen von Verlaufs- und Streaming-IT-Daten
- Eine Plattform für große Datenmengen, die Visualisierung in Echtzeit und umfassende Abfragen unterstützen kann
- Maschinelles Lernen, das die Algorithmen auf der Grundlage der Daten ohne menschliches Eingreifen verfeinert
- Analytische Algorithmen, die automatisierte IT-Einblicke auf IT-Daten für IT-Zwecke liefern
Offener Datenzugriff
Von den vier Hauptelementen ist der offene Datenzugriff am kritischsten. Die Kern-IT wird immer über mehrere Technologien und Systeme von unterschiedlichen Anbietern verfügen. Diese werden auch in verschiedenen IT-Disziplinen variieren. Die Freisetzung von Daten aus den Unternehmenssilos für die Aggregation und Analyse großer Datenmengen ist vielleicht die schwierigste Herausforderung für IT-Teams, die AIOps implementieren möchten.
Eine effektive AIOps-Plattform muss über ein Datenschema verfügen, das Daten aus einer Vielzahl von IT-Quellen verarbeiten kann, und sie muss strukturiert, gekennzeichnet und organisiert werden, um für konsistente und wiederholbare Analysen nützlich zu sein.
Skalierung und Geschwindigkeit für große Datenmengen
Digitale Transformation bedeutet großen Volumen sich schnell ändernder IT-Daten. Herkömmliche relationale Data Warehouses sind weder skalierbar noch reaktionsfähig genug, um die Menge und Geschwindigkeit digitaler Daten zu unterstützen. Die Analyse muss in Echtzeit mit den eingehenden Daten erfolgen – nicht nur offline, wenn Ressourcen verfügbar sind.
Eine AIOps-Plattform für große Datenvolumen muss auch eine reaktionsschnelle Ad-hoc-Datenexploration und tiefergehende Abfragen unterstützen. Technologien für große Datenvolumen, die ursprünglich für die Verarbeitung großer Data Lakes aus Data Warehouses entwickelt wurden, haben sich schnell zu nicht skalierbaren, aber reaktionsfähigen Datenbearbeitungsmaschinen entwickelt, die die Anforderungen von AIOps erfüllen können. AIOps stellen die Vereinheitlichung von intensiver Datenforschung und Online-Analysen in Echtzeit dar, um IT-Entscheidungen zu verbessern.
Maschinelles Lernen
AIOps ermöglichen der IT, von der regelbasierten, menschlichen Verwaltung der Analyse zu maschinengestützten Analyse- und maschinellen Lernsystemen überzugehen. Dies ist nicht nur wegen der Begrenzung der Menge und Komplexität der Analysen erforderlich, die menschliche Betreuer erreichen können, sondern auch, um eine Anpassung an Veränderungen zu ermöglichen, die bisher nicht möglich war.
Bei der IT-Analyse geht es letztendlich um den Musterabgleich. IT-Systeme, Benutzer und Ökosysteme weisen Verhaltensweisen und Beziehungen auf, die auf Ursachen hinweisen, Probleme isolieren und zukünftige Probleme aufzeigen können. Maschinelles Lernen wendet die Rechenleistung und Geschwindigkeit von Maschinen auf die Erkennung und Korrelation von Mustern in IT-Daten an. Dies geschieht schneller als bei menschlichen Betreuern und ändert dynamisch die Algorithmen, die von Analysen auf der Grundlage von Datenänderungen verwendet werden.
AIOps und Automatisierung
AIOps verbinden und fördern die Automatisierung in der hochkomplexen Cloud-Umgebung mit mehreren Quellen. Die Bereitstellung maschinell unterstützter Analysen mit großen Mengen digitaler IT-Daten ist nutzlos, wenn die Ergebnisse immer noch menschliche Eingriffe erfordern. AIOps können Workflows generieren und die Auswirkungen dieser Prozesse messen und die Ergebnisse als zu analysierende und zu erlernende Daten in das System zurückführen. Darüber hinaus sollten AIOps vom System automatisch auf der Grundlage der Daten angewendet werden, ohne dass der Benutzer eingreifen und Entscheidungen treffen muss.
Die Demokratie der Daten
Die IT muss sich darauf konzentrieren, die digitale Geschäftsentwicklung zu ermöglichen. Die IT-Abteilung sollte nicht über spezielle Datenspezialisten oder Wissenschaftler verfügen müssen, um Analysesysteme zu versorgen und zu erstellen, und auch keine IT-Mitarbeiter mit speziellen Fähigkeiten zur Datenanalyse einstellen oder ausbilden. AIOps nutzen Maschinen, um diese Arbeit ohne spezielle Ressourcen auszuführen. Die Analyseergebnisse können von allen Mitarbeitern der IT-Organisation genutzt und angepasst werden und problemlos auf Partner im gesamten Unternehmen ausgedehnt werden.
