AIOps: Künstliche Intelligenz im DevOps nutzen

Laut Gartners Hype Cycle für IT Performance Analysis aus dem Jahr 2018 müssen Führungskräfte in den Bereichen Infrastruktur und Betrieb eine Fülle von Entscheidungen in Bezug auf die Beobachtung und Bewertung von IT-Ereignissen und -Verhaltensweisen treffen. Aus diesem Grund ist es wichtig, eine Strategie zu entwickeln und Erwartungen zu formulieren, während man in Technologien investiert. Der Hype Cycle veranschaulichte, dass DevOps und AIOps bei Technikbegeisterten an Bedeutung gewonnen haben. DevOps-Initiativen sind für digitale Unternehmen von größter Bedeutung, aber sie können die Aufgabe nicht allein bewältigen. DevOps ist der Ausgangspunkt für Unternehmensorganisationen. Dies wird letztendlich den Weg für eine stärker automatisierte Zukunft durch AIOps ebnen und zu NoOps führen – dem Punkt, an dem eine IT-Umgebung so automatisiert ist, dass kein eigenes Team mehr für die Bearbeitung von Aufgaben erforderlich ist.

Künstliche Intelligenz (KI) und automatisierte Abläufe können die Art und Weise verändern, wie Geschäftsabläufe verwaltet werden. Ein automatisierter IT-Ansatz kann nicht nur die Landschaft des typischen IT-Betriebs verändern, sondern auch die gesamte Rolle der menschlichen Beteiligung in der IT. Da Orchestrierung und Überwachung eine so integrale Rolle in DevOps spielen, ist die Nutzung von KI zur Unterstützung und Automatisierung von Betriebsrollen eine hervorragende Option, um Echtzeit-Einblicke in das Geschehen in Ihrer IT-Infrastruktur zu liefern.

AIOps im Detail

Gartner definiert AIOps als „die Anwendung von maschinellem Lernen und Data Science auf Probleme des IT-Betriebs“. AIOps-Plattformen, so heißt es, verbinden Big-Data-Funktionen für maschinelles Lernen, um alle primären IT-Betriebsfunktionen zu verbessern und teilweise zu ersetzen, die Verfügbarkeits- und Leistungsüberwachung, Ereigniskorrelation und -analyse sowie IT-Service-Management und -Automatisierung umfassen.

AIOps ist die Anwendung von maschinellem Lernen und Data Science auf Probleme des IT-Betriebs

AIOps kann die Art und Weise verändern, wie IT-Betriebsteams Warnmeldungen verwalten und Vorfälle beheben. Die IT kann eine DevOps-Pipeline über ein kontinuierliches Warn- und Vorfallmanagement verändern. Durch die Nutzung von Data Science und Computertechniken können gängige und routinemäßige operative Aufgaben automatisiert werden, zusätzlich zur Erfassung von Metriken und der Nutzung von Inferenzmodellen, um verwertbare Erkenntnisse aus Daten zu gewinnen. AIOps bietet nicht nur eine kontextbezogene Sicht auf den Servicezustand, sondern vereinfacht auch Aufgaben wie Überwachung, Alarmierung und Behebung.

Funktionsweise

Vom Prozess der Korrelation erfasster Warnmeldungen über den Prozess der Triage und Priorisierung von Warnmeldungen zur Behebung bis hin zum Prozess der Integration mit IT-Service-Management-Tools erfordert ein typischer Workflow für das Warnmeldungsmanagement menschliche Zeit für die Ausführung. Im Gegenteil, AIOps kann helfen, intelligente Warnmeldungen und die Automatisierung solcher Aufgaben bereitzustellen. AIOps lernt ständig Muster und vergleicht sie mit eingehenden Warnmeldungsströmen. Dies geschieht, um kaskadierende und parallele Auswirkungen zu verstehen. Es gruppiert verwandte Warnmeldungen auf der Grundlage von Lernmodellen zu Schlussfolgerungen.

AIOps-Tools

Einige DevOps-Tools haben begonnen, Analysen mit der Leistung von maschinellem Lernen durchzuführen. Während der Überwachung von Webanwendungen mit dem Azure Application Insights-Dienst kann beispielsweise die Funktion Smart Detection eine E-Mail senden, wenn ihre auf maschinellem Lernen basierende Analysefunktion fehlgeschlagene Anforderungen oder Leistungsdefekte in der Seitenladezeit erkennt. Oder ScienceLogic S1 kann sowohl Cloud- als auch On-Premises-Systeme überwachen. Und BMC TrueSight und OpsTamp können die Infrastruktur über zahlreiche Clouds hinweg überwachen. Mithilfe von maschinellem Lernen kann die Anwendungsleistungsüberwachung Nastel’s AutoPilot Ereignisse und Daten aus verschiedenen Systemen korrelieren.

Strategie für die Einführung

Es ist wichtig, sich mit dem Vokabular und den Fähigkeiten von KI und maschinellem Lernen vertraut zu machen, so Gartner, auch wenn ein AIOps-Projekt nicht unmittelbar bevorsteht. Darüber hinaus sollte ein erster Testfall mit Bedacht ausgewählt werden und AIOps Ihren Kollegen und der Führungsebene durch die Demonstration einfacher Techniken näherbringen. Und sobald Kompetenz- und Erfahrungslücken identifiziert wurden, erstellen Sie einen Plan zur Schließung dieser Lücken. Es gibt Open-Source- und kostengünstige Software für maschinelles Lernen, die zur Bewertung von AIOps- und Data-Science-Anwendungen genutzt werden kann. Nutzen Sie auch Daten- und Analyseressourcen, die möglicherweise bereits in Ihrem Unternehmen vorhanden sind. Darüber hinaus kann Ihre Infrastruktur auf eine konsistente Automatisierungsarchitektur, Infrastructure as Code und unveränderliche Infrastrukturmuster vorbereitet werden, zusätzlich zur Berücksichtigung des Build-vs-Buy-Kontinuums.

Fazit

AIOps hilft bei der Automatisierung des Weges von der Entwicklung bis zur Produktion und sagt die Auswirkungen der Bereitstellung auf die Produktion voraus, wodurch automatisch auf Änderungen in der Produktionsumgebung reagiert wird. Mit anderen Worten, AIOps kann Probleme erkennen, Leistungshürden vorhersagen, Optimierungen vorschlagen, Signale über zahlreiche Plattformen hinweg korrelieren, um Probleme zu beheben, Ursachenanalysen durchführen und Korrekturen automatisieren.