WTF is AIOps?

Nach wie vor ist vielen unklar, was künstliche Intelligenz eigentlich konkret ist. Gleichzeitig wird und wurde schon oftmals diskutiert, ob künstliche Intelligenz eine Bedrohung für die Menschheit darstellt, vor allem nachdem dieses Thema häufig mit einem Szenario wie in der Terminator-Reihe assoziiert wird. Doch im Grunde ist diese Technologie weder schwierig zu begreifen noch eine von Haus aus gefährliche. Wie so oft ist der entscheidende Faktor, in welchem Zusammenhang sie eingesetzt wird.

Künstliche Intelligenz kann im Rahmen des Fähigkeiten-Repertoires als ein ineinander geschachteltes Kistensystem beschrieben werden. In der äußersten, der Hauptbox „Künstliche Intelligenz“ befinden sich Konzepte, die eine Maschine dazu befähigt Entscheidungen auf primitiver Weise zu treffen wobei bereits dieses Niveau der Entscheidungsfindung großen Überlappung mit dem des menschlichen hat. Ein Beispiel dafür ist das Spiel „Tic-Tac-Toe“: Durch die durch das Spiel gegebene symmetrische Anordnung des Spielfeldes und zeitlichen Unumkehrbarkeit (kein Zurückziehen), kann ein einfacher Entscheidungsbaum mit wenig Code umgesetzt werden um mindestens ein Unentschieden, in den meisten Fällen aber einen Sieg sicherzustellen.

Neben z.B. dem Konzept des Entscheidungsbaums befindet sich auf dieser Verschachtelungs-Ebene wiederum eine Box, die Konzepte unter dem Begriff des Maschinenlernens in sich vereint. Diese Konzepte verwenden möglichst umfangreiche und damit aussagekräftige Datensätze bzw. Statistiken woraus Prognosen erstellt werden und zukünftig hoch-wahrscheinliche Verhaltensformen abgeleitet werden können. Ein Beispiel hierfür ist eine Partie Schach: Durch die unendlich große Anzahl von Zügen würde ein Entscheidungsbaum ebenso unendlich groß wachsen, wäre damit nicht mehr umsetzbar. Aus einem Datensatz in dem möglichst viele Figuren-Verteilungen auf einem Schachbrett, Züge aus der Vergangenheit sowohl auch das Ergebnis des Spiels enthalten sind, können Züge entnommen werden deren Durchführung mit höherer Wahrscheinlichkeit zu einem Sieg führt. Eine Auswahl dieser bereits zuvor erfolgreichen Züge samt Umsetzung in der gegenwärtigen Partie erhöht somit die Wahrscheinlichkeit des Sieges.

Innerhalb der Box des Maschinellen Lernens gibt es neben den oben beschriebenen mathematischen bzw. statistischen Methoden allerdings noch eine weitere Schachtel, die erläutert werden muss um ein vollständiges Verständnis Künstlicher Intelligenz zu erhalten. In der Box des Deep Learning sind Methoden enthalten, die die oben beschriebenen Methoden, Datensätze und deren Erstellung mit Algorithmen kombinieren. Mit Nutzung mehrerer Schichten dieser Entscheidungs-Netzwerke und Algorithmen, z.B. künstlicher neuronaler Netze, lassen sich komplexe Aufgaben, wie z.B. das Erkennen von Objekten in Bildern, das Austauschen von Gesichtern in Filmen oder sogar in Echtzeit während eines Videotelefonats, lösen.

Zurück zum eigentlichen Thema. Der Begriff AIOps ist die Abkürzung für „Artificial Intelligence Operations“ oder „Algorithmic IT Operations„. Der Begriff wurde 2016 von Gartner erstmals verwendet, um eine konsistente Abfolge im IT- oder DevOps-Betrieb, in der Künstliche Intelligenz zur Verbesserung genutzt wird, zu beschreiben. Dabei wird ein probabilistischer Ansatz mit Hilfe von aufgezeichneten Daten verwendet, um Vorhersagen zu ermöglichen und automatisiert Handlungsempfehlungen auszulösen. In der IT müssen mehrere Aufgaben erfüllt werden. Software und Hardware muss gewartet werden. Anwender und Kunden beanspruchen Änderungen sowie eine kontinuierliche Weiterentwicklung, die Risiken mit sich bringt. Außerdem besteht immer die Gefahr von Angriffen von außen. Richtig eingesetzt, kann AIOps dazu führen, dass Administratoren Zeit für wichtige Aufgaben haben oder Personalkosten eingespart werden.

Um sich den immer größer werdenden Herausforderungen in der IT zu stellen und diese erfolgreich zu meistern, kann eine Transformation zu AIOps in etwa fünf Schritten erfolgen:

1. Reaktive und aussagekräftige Auswertung hoch-frequentierter Monitoring-Meldungen.
2. Proaktive Nutzung der ausgewerteten Datensätze zur Fehler- und Ursachen-Identifizierung um bestehende aber noch nicht in Erscheinung getretene Fehler zu finden und vor Auftreten zu beheben.
3.  Prognostische Verwendung von Datensätzen, um Fehler in der Zukunft vorherzusagen.
4. Präskriptive Empfehlung einer Lösungen für die gefundenen bzw. prognostizierten Fehler.
5. Automatisierte Anwendung von Lösungen auf die gefundenen Fehler-Ursachen bzw. vorbeugende Schritte für prognostizierte Fehler.

Natürlich denken jetzt viele, dass es sich bei AIOps um ein weiteres der vielen Hype-Themen in der IT-Welt handelt, das bald wieder abebbt. Tatsächlich wird AIOps aber schon lange umgesetzt, es gibt sogar ein existierendes Beispiel welches aus dem Fernsehen bekannt ist: